Java 爬虫框架,WebMagic 0.4.1 发布
jopen 11年前
此次更新加强了Ajax抓取的功能,并进行了一些功能改进。同时引入了重要的脚本化功能"webmagic-script",为今后的WebMagic-Avalon计划做准备。
功能增强:
- 修复了抓取完页面后,Spider偶尔无法退出的问题。详细问题的分析,有兴趣的可以点这里查看。
- 将抽取正文的SmartContentSelector中的算法改为哈工大的正文抽取算法https://code.google.com/p/cx-extractor/ ,经过测试,有较好的效果。 使用方法:Html.getSmartContent()。
- 为Page加入了更多的Http信息,包括http状态码"Page.getStatusCode()"和未解析过的正文"Page.getRawText()"。
- 为Spider增加一些监控信息,包括抓取的页面数"Spider.getPageCount()",运行状态"Spider.getStatus()"和执行线程数"Spider.getThreadAlive()"。
Ajax方面,在注解模式,引入了JsonPath表达式来进行抽取,示例代码:
public class AppStore { @ExtractBy(type = ExtractBy.Type.JsonPath, value = "$..trackName") private String trackName; @ExtractBy(type = ExtractBy.Type.JsonPath, value = "$..description") private String description; @ExtractBy(type = ExtractBy.Type.JsonPath, value = "$..userRatingCount") private int userRatingCount; @ExtractBy(type = ExtractBy.Type.JsonPath, value = "$..screenshotUrls",multi = true) private List<String> screenshotUrls; public static void main(String[] args) { AppStore appStore = OOSpider.create(Site.me(), AppStore.class).<AppStore>get("http://itunes.apple.com/lookup?id=653350791&country=cn&entity=software"); System.out.println(appStore.trackName); System.out.println(appStore.description); System.out.println(appStore.userRatingCount); System.out.println(appStore.screenshotUrls); } }
JsonPath表达式的含义及具体用法看这里:http://www.oschina.net/p/jsonpath
WebMagic今后的目标是一个完整的产品,让即使不会编码的人也能通过简单脚本,完成基本的爬虫开发,并促进脚本分享。这就是WebMagic-Avalon计划。大家可以查看https://github.com/code4craft/webmagic/issues/43 进行功能讨论,欢迎各种建议。
目前第一期是要做到脚本化,对应文档:
https://github.com/code4craft/webmagic/tree/master/webmagic-scripts
webmagic邮件组:https://groups.google.com/forum/#!forum/webmagic-java