您的位置：首页 > 编程语言 > Java开发

WebMagic爬虫框架及javaEE SSH框架将数据保存到数据库（二）

2016-04-20 11:10 676 查看
关于一些基本内容可查看上一篇博客：/article/9978917.html

一、首先看一下爬虫的内容：

（1）学科类型、课程、课程对应章节、课程对应参考教材（主要是要将课程章节对应到上一级爬取的课程上，还有就是课程教材的爬取比较麻烦，下面会讲到）






课程章节：






课程教材






教材内容






二、实体类的设计：

（1）课程类、课程对应章节类（一对多），课程对应教材类（一对多），关于hibernate映射文件就不说明了。






三、爬取课程及对应章节

（1）与上篇博客一样，实现PageProcessor接口

public class CourseSpider implements PageProcessor
以及其中的方法

（2）分析学科类型，就是li标签下对应一个超链接，学科类型比较少，我是单独写了一个爬虫将其存入数据库的（其实手打都可以....）。主要是下面可以将其作为待爬取链接然后请求。






（3）然后分析课程，以哲学学科为例，链接为：域名+/category/01，但是是有分页的



点击第二页，发现链接为：域名+/category/01/2/24，所以2就对应第二页，24就是前2页的记录数






所以我们可以通过改变url地址方式，加载所有的内容。






（4）分析课程章节，就是一个li标签对应一章节，也比较简单



（5）实现代码：

1、获取所需的service

private ApplicationContext ac = new ClassPathXmlApplicationContext("applicationContext.xml");
// 获取service
ISpiderCourseService spiderCourseService = (ISpiderCourseService) ac.getBean("spiderCourseServiceImpl");
ISpiderProfessionTypeService spiderProfessionTypeService = (ISpiderProfessionTypeService) ac.getBean("spiderProfessionTypeServiceImpl");
ISpiderChapterService spiderChapterService = (ISpiderChapterService) ac.getBean("spiderChapterServiceImpl");
ISpiderDocumentService spiderDocumentService = (ISpiderDocumentService) ac.getBean("spiderDocumentServiceImpl");
2、定义site，可以将setTimeOut设置的长一点，因为我们通过改变url访问的记录条数比较多，否则可能出现错误。

private Site site = Site.me().setRetryTimes(5).setSleepTime(3000).setTimeOut(23000);
3、process方法，满足对应的正则表达式表示进入第几层爬虫，调用对应的方法。

@Override
public void process(Page page) {
// 格式：http://mooc.chaoxing.com/category/01/0/1000
if (page.getUrl().regex("http://mooc\\.chaoxing\\.com/category/\\d+/\\d/\\d+")
.toString() != null) {
System.out.println("第一层");
crawerCourse(page);
}
// 格式：http://mooc.chaoxing.com/course/55672.html
else if (page.getUrl().regex("http://mooc\\.chaoxing\\.com/course/\\d+\\.html")
.toString() != null) {
System.out.println("第二层");
crawCourseInfo(page);
}

}
4、爬取课程信息的方法：

一些解析html的就不说了，我用的xpath，WebMagic还提供了很多解析的方法。

我们将爬取的信息封装成课程对象， 并将课程的url作为待爬取的链接（及第二层），将课程对象放到request中（因为第二层爬取章节，需要找到对应的课程类），设置请求的优先级为1（数越小优先级越高，先爬取第一层，再爬取第二层）。

/**
* 爬去课程信息
*/
public void crawerCourse(Page page) {
// <div class="label">
// 哲学 </div>

// 筛选专业类型
String professionType = page.getHtml()
.xpath("//div[@class='label']/text()").toString();
// <li class="ans-slow-anim">
// <div class="picArea ans-slow-anim"><a href="/course/198413.html"
// target="_blank">
// <img
// src="http://p.ananas.chaoxing.com/star/258_153c/1384413396917gvcrs.jpg"
// width="178" height="109"></a>
// </div>
// <div class="introArea"><a href="/course/198413.html" target="_blank"
// title="中华传统思想-对话先秦哲学">中华传统思想-对话先秦哲学</a></div>
// <div class="introArea2" title="万献初 李景林 郭齐勇 夏可君  陈炎   武汉大学">
// 万献初等
// 武汉大学
//
// </div>
// </li>
// 筛选名称
List<String> courseNameList = page.getHtml()
.xpath("//div[@class='introArea']/a/html()").all();
// page.putField("courseNameList", courseNameList);
// 筛选url
List<String> courseUrlList = page.getHtml()
.xpath("//div[@class='introArea']/a/@href").all();
// page.putField("courseUrlList", courseUrlList);
// 筛选信息
List<String> infoList = page.getHtml()
.xpath("//div[@class='introArea2']/@title").all();
// page.putField("infoList", infoList);

if (courseNameList.size() > 0) {
for (int i = 0; i < courseNameList.size(); i++) {
SpiderCourse model = new SpiderCourse(courseNameList.get(i)
.toString().trim(), courseUrlList.get(i).toString()
.trim(), infoList.get(i).toString(), professionType);
spiderCourseService.save(model);

// Request request2=new
// Request(courseUrlList.get(i)).setPriority(1).putExtra("courseModel",
// model);
// page.putField("model", model);
// 设置优先级为1
page.addTargetRequest(new Request(courseUrlList.get(i))
.setPriority(1).putExtra("courseModel", model));
}
}
List<SpiderProfessionType> list =
spiderProfessionTypeService.findAll();
for (int j = 2; j < list.size(); j++) {
// 设置优先级为0
page.addTargetRequest(new Request(list.get(j).getUrl()+"/0/1000")
.setPriority(0));
}

// List<String> urlList=new ArrayList<String>();
// for(int j=2;j<list.size();j++){
// urlList.add(list.get(j).getUrl()+"/0/1000");
// }
// //将后续urls作为请求
// page.addTargetRequests(urlList);
}
5、爬取课程对应的章节：

可以通过



page.getRequest().getExtra("courseModel");
得到上级设置的课程对象，每个page中是有一个request的。

/**
* 爬取课程对应的章节
*/
public void crawCourseInfo(Page page) {
/**
* 得到上级传来的model,用户保存对应的课程
*/
SpiderCourse courseModel = (SpiderCourse) page.getRequest().getExtra(
"courseModel");
// <div class="mt10 f33 l g5">
// <span>木结构设计</span>
// </div>
// 筛选课程名
String courseName = page.getHtml()
.xpath("//div[@class='mt10 f33 l g5']/span/text()").toString();
// <li class="mb15 course_section fix">
// <!--<a class="wh"
// href="/nodedetailcontroller/visitnodedetail?knowledgeId=789300"
// target="_blank">-->
// <a class="wh"
// href="/nodedetailcontroller/visitnodedetail?knowledgeId=789300">
// <div class="f16 chapter_index l">1.1</div>
// <div class="f16 pct80 pr10 r">和的哲学（一）</div>
// </a>
// </li>
/**
* 爬取章节
*/
// 筛选url
List<String> chapterUrlList = page
.getHtml()
.xpath("//li[@class='mb15 course_section fix']/a[@class='wh']/@href")
.all();
// page.putField("chapterUrlList", chapterUrlList);
// 筛选章节号
List<String> chapterNumList = page.getHtml()
.xpath("//div[@class='f16 chapter_index l']/text()").all();
// page.putField("chapterNumList", chapterNumList);
// 筛选章节名
List<String> chapterNameList = page.getHtml()
.xpath("//div[@class='f16 pct80 pr10 r']/text()").all();
// page.putField("chapterNameList", chapterNameList);

if (chapterUrlList.size() > 0) {
for (int i = 0; i < chapterUrlList.size(); i++) {
SpiderChapter model = new SpiderChapter(chapterNumList.get(i)
.toString(), chapterNameList.get(i).toString(),
chapterUrlList.get(i).toString(), courseName,
courseModel);
spiderChapterService.save(model);
}
}

}
这样爬取课程及对应的章节就完成了，后面和爬取参考教材的一块测试。



四、爬取课程对应的参考教材，这个相对复杂一点

（1）分析界面

参考教材的显示是通过一个iframe，嵌套了一个html，尝试和上面一样的方法想获取对应的信息，通过调试发现是获取不到的，它应该是通过js然后拼接的html代码，我们爬虫不会得到js执行过后的html代码，所以就比较麻烦。看网上也有一些工具可以得到js执行过后的html代码，但是肯定会降低爬取的效率。






试着获取一个div下的所有节点信息，发现会得到iframe的信息，我们看到iframe中有一个data属性，对应的是一个json格式的信息，所以它应该是通过解析这个json格式的信息，然后拼接的html代码显示参考教材。（json中的bookname,author等信息是unicode编码，刚开始我还纠结是不是获取后要转为汉字，它就是一个编码方式，不用管，获取到就行了）






还有就是json中的url地址试着访问时不对的，然后分析发送的请求发现url地址也是通过js拼接的






url信息，所以我们获取后再进行处理。分析完毕。






（2）代码：

代码其实并不多，但是分析的过程还是很麻烦的。

/**
* 爬取课程对应的章节文档 ，这个有点特殊，它是一个iframe
* 并且通过分析之后得出iframe里有个data属性，是json格式的数据，然后网站再通过js拼接html代码
* 汉字采用的是unicode编码
*/

// 得到的是json格式的字符串
// 格式：
// {"readurl":"http://resapi.chaoxing.com/realRead?dxid=000006873411&ssid=12553309&d=BD6EECD6198FDD693FD0E87F715B5F05",
// "coverurl":"http://cover.duxiu.com/cover/Cover.dll?iid=6768656B6B696569666F3839393335393236",
// "bookname":"\u5148\u79e6\u54f2\u5b66",
// "author":"\u66fe\u4ed5\u793c\u7f16\u8457",
// "publisher":"\u6606\u660e\u5e02\uff1a\u4e91\u5357\u5927\u5b66\u51fa\u7248\u793e",
// "publishdate":"2009.09",
// "id":"ext-gen1223"}

List<String> allInfoList = page.getHtml().xpath("//iframe/@data").all();

if (allInfoList.size() > 0) {
for (int i = 0; i < allInfoList.size(); i++) {
// String转为json
JSONObject json = JSONObject.fromObject(allInfoList.get(i)
.toString());
String realUrl = json.getString("readurl");
//http://resapi.chaoxing.com/realRead?dxid=000006873411&ssid=12553309&d=BD6EECD6198FDD693FD0E87F715B5F05
//连接中realRead替换为innerurl,并加上后缀&unitid=7719&readstyle=4&tp=flip&rotate=true&cpage=1
realUrl = realUrl.replace("realRead", "innerurl")+ "&unitid=7719&readstyle=4&tp=flip&rotate=true&cpage=1";

SpiderDocument model = new SpiderDocument(
json.getString("bookname"), realUrl,
json.getString("author"), json.getString("publisher"),
json.getString("publishdate"),
json.getString("coverurl"), courseModel);
spiderDocumentService.save(model);
}
}
五：测试

信息对应正确。








六、总结

虽然爬虫中遇到了一些麻烦，但我还是挺享受这个过程的，并且也从中学到很多东西。
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签： 
相关文章推荐
新的分享
章节导航