WebMagic Xsoup 和 自定义Pipeline

WebMagic的抽取主要用到了Jsoup和官方自带的工具Xsoup。

Jsoup是一个简单的HTML解析器,同时它支持使用CSS选择器的方式查找元素。关于Jsoup的学习文章,大家可以到这里进行学习!https://github.com/code4craft/jsoup-learning

Xsoup

Xsoup是WebMagic 作者基于Jsoup开发的一款XPath解析器。

旧版本的 WebMagic 使用的解析器是 HtmlCleaner。再使用过程存在一些问题。主要问题是XPath出错定位不准确,并且其不太合理的代码结构,也难以进行定制。最终作者自己开发了 Xsoup 来取代 HtmlCleaner,使得更加符合爬虫开发的需要。经过测试,Xsoup的性能比HtmlCleaner要快一倍以上。

Xsoup发展到现在,已经支持爬虫常用的语法,以下是一些已支持的语法对照表:

WebMagic Xsoup 和 自定义Pipeline

扩展的XPath方法用法:

Expression Description XPath1.0
text(n) 第n个直接文本子节点,为0表示所有 text() only
allText() 所有的直接和间接文本子节点 not support
tidyText() 所有的直接和间接文本子节点,并将一些标签替换为换行,使纯文本显示更整洁 not support
html() 内部html,不包括标签的html本身 not support
outerHtml() 内部html,包括标签的html本身 not support
regex(@attr,expr,group) 这里@attr和group均可选,默认是group0 not support

定制Pipeline

Pileline是抽取结束后,进行处理的部分,它主要用于抽取结果的保存,也可以定制Pileline可以实现一些通用的功能。

Pipeline的接口定义如下:

 public interface Pipeline {     // ResultItems保存了抽取结果,它是一个Map结构,     // 在page.putField(key,value)中保存的数据,可以通过ResultItems.get(key)获取     public void process(ResultItems resultItems, Task task); }

Pipeline其实就是将PageProcessor抽取的结果,继续进行了处理的,其实在Pipeline中完成的功能,你基本上也可以直接在PageProcessor实现,那么为什么会有Pipeline?有以下两个原因:

  • 为了模块分离。“页面抽取”和“后处理、持久化”是爬虫的两个阶段,将其分离开来,一个是代码结构比较清晰,另一个是以后也可能将其处理过程分开,分开在独立的线程以至于不同的机器执行。
  • Pipeline的功能比较固定,更容易做成通用组件。每个页面的抽取方式千变万化,但是后续处理方式则比较固定,例如保存到文件、保存到数据库这种操作,这些对所有页面都是通用的。WebMagic中就已经提供了控制台输出、保存到文件、保存为JSON格式的文件几种通用的Pipeline。

在WebMagic里,一个Spider可以有多个Pipeline,使用Spider.addPipeline()即可增加一个Pipeline。这些Pipeline都会得到处理。

 spider.addPipeline(new ConsolePipeline()).addPipeline(new FilePipeline())

实现输出结果到控制台,并且保存到文件的目标。

将结果输出到控制台

在介绍PageProcessor时,我们使用了GithubRepoPageProcessor作为例子,其中某一段代码中,我们将结果进行了保存:

 public void process(Page page) {     page.addTargetRequests(page.getHtml().links().regex("(https://github//.com///w+///w+)").all());     page.addTargetRequests(page.getHtml().links().regex("(https://github//.com///w+)").all());     //保存结果author,这个结果会最终保存到ResultItems中     page.putField("author", page.getUrl().regex("https://github//.com/(//w+)/.*").toString());     page.putField("name", page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()").toString());     if (page.getResultItems().get("name")==null){         //设置skip之后,这个页面的结果不会被Pipeline处理         page.setSkip(true);     }     page.putField("readme", page.getHtml().xpath("//div[@id='readme']/tidyText()")); }

现在我们想将结果保存到控制台,要怎么做呢?ConsolePipeline可以完成这个工作

 public class ConsolePipeline implements Pipeline {     @Override     public void process(ResultItems resultItems, Task task) {         System.out.println("get page: " + resultItems.getRequest().getUrl());         //遍历所有结果,输出到控制台,上面例子中的"author"、"name"、"readme"都是一个key,其结果则是对应的value         for (Map.Entry<String, Object> entry : resultItems.getAll().entrySet()) {             System.out.println(entry.getKey() + ":/t" + entry.getValue());         }     } }

参考这个例子,你就可以定制自己的Pipeline了——从ResultItems中取出数据,再按照你希望的方式处理即可。

将结果保存到MySQL

在Java里,我们有很多方式将数据保存到MySQL,例如jdbc、dbutils、spring-jdbc、MyBatis等工具。这些工具都可以完成同样的事情,只不过功能和使用复杂程度不一样。如果使用jdbc,那么我们只需要从ResultItems取出数据,进行保存即可。

如果我们会使用ORM框架来完成持久化到MySQL的工作,就会面临一个问题:这些框架一般都要求保存的内容是一个定义好结构的对象,而不是一个key-value形式的ResultItems。以MyBatis为例,我们使用MyBatis-Spring可以定义这样一个DAO:

 public interface JobInfoDAO {     @Insert("insert into JobInfo (`title`,`salary`,`company`,`description`,`requirement`,`source`,`url`,`urlMd5`) values (#{title},#{salary},#{company},#{description},#{requirement},#{source},#{url},#{urlMd5})")     public int add(LieTouJobInfo jobInfo); }

我们要做的,就是实现一个Pipeline,将ResultItems和LieTouJobInfo对象结合起来。

注解模式

注解模式下,WebMagic内置了一个PageModelPipeline:

 public interface PageModelPipeline<T> {     //这里传入的是处理好的对象     public void process(T t, Task task); }

这时,我们可以很优雅的定义一个JobInfoDaoPipeline,来实现这个功能:

 @Component("JobInfoDaoPipeline") public class JobInfoDaoPipeline implements PageModelPipeline<LieTouJobInfo> {     @Resource     private JobInfoDAO jobInfoDAO;     @Override     public void process(LieTouJobInfo lieTouJobInfo, Task task) {         //调用MyBatis DAO保存结果         jobInfoDAO.add(lieTouJobInfo);     } }

基本Pipeline模式

至此,结果保存就已经完成了!那么如果我们使用原始的Pipeline接口,要怎么完成呢?其实答案也很简单,如果你要保存一个对象,那么就需要在抽取的时候,将它保存为一个对象:

 public void process(Page page) {     page.addTargetRequests(page.getHtml().links().regex("(https://github//.com///w+///w+)").all());     page.addTargetRequests(page.getHtml().links().regex("(https://github//.com///w+)").all());     GithubRepo githubRepo = new GithubRepo();     githubRepo.setAuthor(page.getUrl().regex("https://github//.com/(//w+)/.*").toString());     githubRepo.setName(page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()").toString());     githubRepo.setReadme(page.getHtml().xpath("//div[@id='readme']/tidyText()").toString());     if (githubRepo.getName() == null) {         //skip this page         page.setSkip(true);     } else {         page.putField("repo", githubRepo);     } }

在Pipeline中,只要使用

 GithubRepo githubRepo = (GithubRepo)resultItems.get("repo");

WebMagic 自带的Pipeline

WebMagic中已经提供了将结果输出到控制台、保存到文件和JSON格式保存的几个Pipeline:

说明 备注
ConsolePipeline 输出结果到控制台 抽取结果需要实现toString方法
FilePipeline 保存结果到文件 抽取结果需要实现toString方法
JsonFilePipeline JSON格式保存结果到文件
ConsolePageModelPipeline (注解模式)输出结果到控制台
FilePageModelPipeline (注解模式)保存结果到文件
JsonFilePageModelPipeline (注解模式)JSON格式保存结果到文件 想要持久化的字段需要有getter方法
0
如无特殊说明,文章均为原作者原创,转载请注明出处

该文章由 发布

这货来去如风,什么鬼都没留下!!!
发表我的评论

Hi,请填写昵称和邮箱!

取消评论
代码 贴图 加粗 链接 删除线 签到