【转】使用webmagic搭建一个简单的爬虫
刚刚接触爬虫，听说webmagic很不错，于是就了解了一下。
webmagic的是一个无须配置、便于二次开发的爬虫框架，它提供简单灵活的API，只需少量代码即可实现一个爬虫。
这句话说的真的一点都不假，像我这样什么都不懂的人直接下载部署，看了看可以调用的方法，马上就写出了第一个爬虫小程序。
以下是我学习的过程：
首先需要下载jar：http://webmagic.io/download.html
部署好后就建一个class继承PageProcessor接口，重写process()方法，即可完成一个爬虫。
是不是很简单？
先上代码，再讲解吧。
mport us.codecraft.webmagic.Page;import us.codecraft.webmagic.Site;import us.codecraft.webmagic.Spider;import us.codecraft.webmagic.processor.PageProcessor; public class MyProcessor implements PageProcessor { ???// 抓取网站的相关配置，包括编码、抓取间隔、重试次数等 ???private Site site = Site.me().setRetryTimes(3).setSleepTime(100); ???private static int count =0; ????????@Override ???public Site getSite() { ???????return site; ???} ????@Override ???public void process(Page page) { ???????//判断链接是否符合http://www.cnblogs.com/任意个数字字母-/p/7个数字.html格式 ???????if(!page.getUrl().regex("http://www.cnblogs.com/[a-z 0-9 -]+/p/[0-9]{7}.html").match()){ ???????????//加入满足条件的链接 ???????????page.addTargetRequests( ???????????????????page.getHtml().xpath("//*[@id=\"post_list\"]/div/div[@class=‘post_item_body‘]/h3/a/@href").all()); ???????}else{ ????????????????????????????????????????//获取页面需要的内容 ???????????System.out.println("抓取的内容："+ ???????????????????page.getHtml().xpath("//*[@id=\"Header1_HeaderTitle\"]/text()").get() ???????????????????); ???????????count ++; ???????} ???} ????public static void main(String[] args) { ???????long startTime, endTime; ???????System.out.println("开始爬取..."); ???????startTime = System.currentTimeMillis(); ???????Spider.create(new MyProcessor()).addUrl("https://www.cnblogs.com/").thread(5).run(); ???????endTime = System.currentTimeMillis(); ???????System.out.println("爬取结束，耗时约" + ((endTime - startTime) / 1000) + "秒，抓取了"+count+"条记录"); ???} }由于刚开始学，技术有限，所以简单地爬一下这些文章的作者。
要爬取，首先得知道内容在哪个位置上。在chrome下审查一下元素发现，文章都在这里
点进文章后审查元素发现作者的名字在这里
知道要爬的内容在哪个位置之后。我们还需要知道怎样才能拿到这些数据。
这里说一下webmagic的内容
启动爬虫就这句：Spider.create(new MyProcessor()).addUrl("https://www.cnblogs.com/").thread(5).run();//addUrl就是种子url
Page对象就是当前获取的页面，
getUrl()可以获得当前url，
addTargetRequests()就是把链接放入等待爬取
getHtml()获得页面的html元素
上面这些很容易就能知道它的意思，不懂得是xpath();
刚开始学，我也不懂，但是chrome懂，所以可以让它帮我们写好xpath。
审查元素下，选择要需要的部分右键Copy，选择Copy XPath，然后在console下粘贴
关于xpath的教程可以查看https://www.one-tab.com/page/JFPOsHyvQUOQlzZwahc6-Q
关于webmagic的可以查看http://webmagic.io/docs/zh/posts/ch1-overview/
【转】使用webmagic搭建一个简单的爬虫
原文地址：http://www.cnblogs.com/faunjoe88/p/7815089.html