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:

  1. 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。
  2. 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()
  3. 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()"。
  4. 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