WebMagic--Java爬虫框架学习.zip

# WebMagic学习 ## 遇到的问题 1. Log4j错误  解决：在src目录下添加配置文件 log4j.properties log4j.rootLogger=INFO, stdout, file log4j.logger.org.quartz=WARN, stdout log4j.appender.stdout=org.apache.log4j.ConsoleAppender log4j.appender.stdout.layout=org.apache.log4j.PatternLayout log4j.appender.stdout.layout.ConversionPattern=%d{MM-dd HH:mm:ss}[%p]%m%n log4j.appender.file=org.apache.log4j.FileAppender log4j.appender.file.File=C:\\log4j\\webmagic\\webmagic.log log4j.appender.file.layout=org.apache.log4j.PatternLayout log4j.appender.file.layout.ConversionPattern=%n%-d{MM-dd HH:mm:ss}-%C.%M()%n[%p]%m%n 2. 协议错误，有的网站需要的SSL协议比较高，尽量使用做高版本的jar包  <dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-core</artifactId> <version>0.7.3</version> </dependency> <dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-extension</artifactId> <version>0.7.3</version> </dependency> 3. 状态码错误  解决：主要是与site有关，下边两种解决办法暂时还没弄明白 private Site site = Site .me() .setRetryTimes(3) .setSleepTime(3000) .setUserAgent("Mozilla/5.0 (Windows NT 10.0; WOW64; rv:56.0) Gecko/20100101 Firefox/56.0"); 或者 private Site site = Site .me() .setRetryTimes(3) .setSleepTime(3000) .setUserAgent("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36"); 4. 缺少HttpContext类 解决：添加HTTPContext的Jar包 <dependency> <groupId>org.apache.httpcomponents</groupId> <artifactId>httpclient</artifactId> <version>4.5.4</version> </dependency> ## Webmagic学习配置 1. 创建一个maven项目 2. 在pom中引用jar包，引用完之后就基本好了 <dependencies> <dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-core</artifactId> <version>0.7.3</version> </dependency> <dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-extension</artifactId> <version>0.7.3</version> </dependency> <dependency> <groupId>org.apache.httpcomponents</groupId> <artifactId>httpclient</artifactId> <version>4.5.4</version> </dependency> </dependencies> ## Webmagic学习参考 1. 参考博客： 参考博客：https://www.xttblog.com/?s=webmagic 其中有些案例，我没有运行成功，我会将我自己的案例发布上去(src/File目录下为正式爬取的案例，src/Test下的程序为学习过程中找到的案例，也有自己测试的案例) 动态页面爬取参考 http://webmagic.io/docs/zh/posts/chx-cases/js-render-page.html Webmagic的使用说明 http://webmagic.io/docs/zh/ ## 案例 1. #### 案例1 汽车之家游记爬取 (src/File/Test2) ### 如何判断页面数据为通过js动态获取的？？？ #### 判断页面是否为js渲染的方式比较简单，在浏览器中直接查看源码（Windows下Ctrl+U，Mac下command+alt+u），如果找不到有效的信息，则基本可以肯定为js渲染。  1. Windows中按Ctrl+U,再按Ctrl+F查找其中的内容，我查找的是第一个游记，结果没有找到，这就判定该页面的数据是通过js动态获取的。  2. 如果判定该页面的数据是通过JS动态获取的，就开始找获取数据的链接：例如：此时只有这几个请求，当点击第二页的时候，又出现了几个链接。   3. 点击新出现的第一个链接，选择preview，出现返回的数据，从中找到详情页的链接。也可以直接复制这个链接，在新的标签页打开(https://you.autohome.com.cn/summary/getsearchresultlist?ps=20&pg=1&type=3&tagCode=&tagName=&sortType=3） 按照上边，同样的点击第三页也同样出现了一个新的请求链接https://you.autohome.com.cn/summary/getsearchresultlist?ps=20&pg=2&type=3&tagCode=&tagName=&sortType=3） 比较这两个链接，发现这两个链接只是pg这个参数不同，根据这两个链接一个是第一页，一个是第二页，可以推测出每个列表页的链接  4. 如果在新的标签页打开（我的谷歌浏览器安装了一个JsonView插件，查看json格式的数据比较方便）  5. 这里就有详情页的地址，我们再看一下这个详情页的具体地址，链接后边的那个暂时不知道是什么用，大概只是一个标识作用，删去也可以访问，这样就可以根据上边的/details/112251拼接详情页的地址，这样知道了列表页的链接和详情的链接，就可以将这上面的游记都爬取下来了   6. 当初我也就这样试了试，结果能爬下来，也就没管。但是后来查看这些游记，发现有的游记都只有一半，并不全，后来我又看网页，发现有的网页是只有一页（比如上边那个游记），有的网页有好几页（https://you.autohome.com.cn/details/112486#pvareaid=2174234），但时候后边附带着一个扩展全文的按钮，这时候就需要寻找全文的链接，否则爬取的只是一半的内容  7. 接下来就是寻找完整页面的链接，点击展开全文按钮（https://you.autohome.com.cn/details/112486/b51ba31c58c7b84e0a52d8f50b811df4?handleType=1）连续找了几个这样的游记之后，发现只是后边的（b51ba31c58c7b84e0a52d8f50b811df4）这个参数不同，这里就需要找这个随机数了。重新刷新一下页面，出现了几个链接，一次点进去看看有没有这个随机数，终于在最后一个链接中找到了这个随机数，现在就需要拼接这个链接获取这个随机数。获取这个随机数后就开始拼接这个完整页面的链接。后来突然发现，该如何判断只有一页的页面，但是后来发现即使是一个页面也有随机数，这样访问同样也可以。   单页面游记的随机数  获取这个随机数之后，就可以拼接这个完整页面的链接，然后将链接加入带爬取队列。然后就跟正常的爬取一样了 ----- 1. #### 案例2 马蜂窝旅游游记爬取（能爬取数据，但是数据爬不全）(src/File/Test0) 1. 马蜂窝的爬取比较简单，只是最简单的列表页-详情页格式，只是在翻页的时候，页面只有5页，再看看每个列表页的格式(https://www.mafengwo.cn/yj/21536/1-0-2.html) 只是最后的数不同，应该就是代表页数。通过循环拼接链接，并将链接加入带爬取队列  2. 但是这里有一个问题还没有解决：马蜂窝的游记都比较长，为了快速加载，每个游记都是分成几次加载，比如刚打开页面的时候，只是显示上边的一部分，当下滑到最下边的时候，就会JS请求继续获取下边的页面  3. 当随着下滑，会加载出剩下的页面数据  类似的，随着游记的长度不同，会有不同的加载次数，按照一般过程，都会要拼接加载的链接，然后获取数据，追加到同一个文件中，但是通过观察这几个链接，发现他们都有一个随机数，并且这个随机数并没有在页面中找到，导致现在爬取的数据只�