Java爬蟲框架WebMagic簡介及使用
壹、介紹
webmagic的是壹個無須配置、便於二次開發的爬蟲框架，它提供簡單靈活的API，只需少量代碼即可實現壹個爬蟲。webmagic采用完全模塊化的設計，功能覆蓋整個爬蟲的生命周期(鏈接提取、頁面下載、內容抽取、持久化)，支持多線程抓取，分布式抓取，並支持自動重試、自定義UA/cookie等功能。
二、概覽
WebMagic項目代碼分為核心和擴展兩部分。核心部分(webmagic-core)是壹個精簡的、模塊化的爬蟲實現，而擴展部分則包括壹些便利的、實用性的功能（例如註解模式編寫爬蟲等）。
WebMagic的結構分為Downloader、PageProcessor、Scheduler、Pipeline四大組件，並由Spider將它們彼此組織起來。這四大組件對應爬蟲生命周期中的下載、處理、管理和持久化等功能。而Spider則將這幾個組件組織起來，讓它們可以互相交互，流程化的執行，可以認為Spider是壹個大的容器，它也是WebMagic邏輯的核心。
2.1 WebMagic的四個組件
Downloader
Downloader負責從互聯網上下載頁面，以便後續處理。WebMagic默認使用了Apache HttpClient作為下載工具。
PageProcessor
PageProcessor負責解析頁面，抽取有用信息，以及發現新的鏈接。WebMagic使用Jsoup作為HTML解析工具，並基於其開發了解析XPath的工具Xsoup。在這四個組件中，PageProcessor對於每個站點每個頁面都不壹樣，是需要使用者定制的部分。
Scheduler
Scheduler負責管理待抓取的URL，以及壹些去重的工作。WebMagic默認提供了JDK的內存隊列來管理URL，並用集合來進行去重。也支持使用Redis進行分布式管理。除非項目有壹些特殊的分布式需求，否則無需自己定制Scheduler。
Pipeline
Pipeline負責抽取結果的處理，包括計算、持久化到文件、數據庫等。WebMagic默認提供了“輸出到控制臺”和“保存到文件”兩種結果處理方案。Pipeline定義了結果保存的方式，如果妳要保存到指定數據庫，則需要編寫對應的Pipeline。對於壹類需求壹般只需編寫壹個Pipeline。
2.2 用於數據流轉的對象
Request
Request是對URL地址的壹層封裝，壹個Request對應壹個URL地址。它是PageProcessor與Downloader交互的載體，也是PageProcessor控制Downloader唯壹方式。
Page
Page代表了從Downloader下載到的壹個頁面——可能是HTML，也可能是JSON或者其他文本格式的內容。Page是WebMagic抽取過程的核心對象，它提供壹些方法可供抽取、結果保存等。
ReusltItems
ReusltItems相當於壹個Map，它保存PageProcessor處理的結果，供Pipeline使用。它的API與Map很類似，值得註意的是它有壹個字段skip，若設置為true，則不應被Pipeline處理。
2.3 控制爬蟲運轉的引擎—Spider
Spider是WebMagic內部流程的核心。Downloader、PageProcessor、Scheduler、Pipeline都是Spider的壹個屬性，這些屬性是可以自由設置的，通過設置這個屬性可以實現不同的功能。Spider也是WebMagic操作的入口，它封裝了爬蟲的創建、啟動、停止、多線程等功能。
對於編寫壹個爬蟲，PageProcessor是需要編寫的部分，而Spider則是創建和控制爬蟲的入口。
2.4 WebMagic項目組成
WebMagic項目代碼包括幾個部分，在根目錄下以不同目錄名分開。它們都是獨立的Maven項目。
WebMagic主要包括兩個包，這兩個包經過廣泛實用，已經比較成熟：
webmagic-core
webmagic-core是WebMagic核心部分，只包含爬蟲基本模塊和基本抽取器。
webmagic-extension
webmagic-extension是WebMagic的主要擴展模塊，提供壹些更方便的編寫爬蟲的工具。包括註解格式定義爬蟲、JSON、分布式等支持。
三、 基本的爬蟲
3.1 爬蟲的流程 (可以參考上邊的框架架構圖)
Downloader-頁面下載
頁面下載是壹切爬蟲的開始。
大部分爬蟲都是通過模擬http請求，接收並分析響應來完成。這方面，JDK自帶的HttpURLConnection可以滿足最簡單的需要，而Apache HttpClient(4.0後整合到HttpCompenent項目中)則是開發復雜爬蟲的不二之選。它支持自定義HTTP頭(對於爬蟲比較有用的就是User-agent、cookie等)、自動redirect、連接復用、cookie保留、設置代理等諸多強大的功能。
webmagic使用了HttpClient 4.2，並封裝到了HttpClientDownloader。學習HttpClient的使用對於構建高性能爬蟲是非常有幫助的，官方的Tutorial就是很好的學習資料。目前webmagic對HttpClient的使用仍在初步階段，不過對於壹般抓取任務，已經夠用了
PageProcessor-頁面分析及鏈接抽取
Selector是webmagic為了簡化頁面抽取開發的獨立模塊，是整個項目中我最得意的部分。這裏整合了CSS Selector、XPath和正則表達式，並可以進行鏈式的抽取，很容易就實現強大的功能。即使妳使用自己開發的爬蟲工具，webmagic的Selector仍然值得壹試
Jsoup
HtmlParser
Apache tika
HtmlCleaner與Xpath
這裏說的頁面分析主要指HTML頁面的分析。頁面分析可以說是垂直爬蟲最復雜的壹部分，在webmagic裏，PageProcessor是定制爬蟲的核心。通過編寫壹個實現PageProcessor接口的類，就可以定制壹個自己的爬蟲
HTML分析是壹個比較復雜的工作，Java世界主要有幾款比較方便的分析工具：
webmagic的Selector
Scheduler-URL管理
URL管理的問題可大可小。對於小規模的抓取，URL管理是很簡單的。我們只需要將待抓取URL和已抓取URL分開保存，並進行去重即可。使用JDK內置的集合類型Set、List或者Queue都可以滿足需要。如果我們要進行多線程抓取，則可以選擇線程安全的容器，例如LinkedBlockingQueue以及ConcurrentHashMap。因為小規模的URL管理非常簡單，很多框架都並不將其抽象為壹個模塊，而是直接融入到代碼中。但是實際上，抽象出Scheduler模塊，會使得框架的解耦程度上升壹個檔次，並非常容易進行橫向擴展，這也是我從scrapy中學到的。
Pipeline-離線處理和持久化
Pipeline其實也是容易被忽略的壹部分。大家都知道持久化的重要性，但是很多框架都選擇直接在頁面抽取的時候將持久化壹起完成，例如crawer4j。但是Pipeline真正的好處是，將頁面的在線分析和離線處理拆分開來，可以在壹些線程裏進行下載，另壹些線程裏進行處理和持久化。
3.2 使用WebMagic爬取壹個壁紙網站
首先引入WebMagic的依賴，webmagic-core-{version}.jar和webmagic-extension-{version}.jar。在項目中添加這兩個包的依賴，即可使用WebMagic。
maven中引入依賴jar包
<dependency><groupId>us.codecraft</groupId>
<artifactId>webmagic-core</artifactId>
<version>0.5.3</version>
</dependency>
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-extension</artifactId>
<version>0.5.3</version>
</dependency>1234567891012345678910
不使用maven的用戶，可以去http://webmagic.io中下載最新的jar包。