1. 目标
使用webmagic爬取动作电影列表信息
爬取电影《海王》详细信息【电影名称、电影迅雷下载地址列表】
2. 爬取最新动作片列表
获取电影列表页面数据来源地址
访问http://m.ady01.com/rs/film/list/1/1，F12开发者模式中找到页面数据来源地址
地址是：http://m.ady01.com/rs/film/listJson/1/1
访问：http://m.ady01.com/rs/film/listJson/1/1
抓取列表信息
使用git拉取代码：https://gitee.com/likun_557/java-pachong 这个代码是在第一讲中创建的，需要了解的朋友可以查看第一讲的内容"《java爬虫系列第一讲-爬虫入门》"
将代码导入idea中
新建包com.ady01.demo2.filmlist，本次示例代码全部放在该包中
列表页面数据来源http://m.ady01.com/rs/film/listJson/1/1，是一个json数据
-
根据http://m.ady01.com/rs/film/listJson/1/1中的数据格式，我们先分析一下
- 最外层是一个分页的类
- dataList是一个集合，内部每项是一个电影资源的信息
-
创建com.ady01.demo2.filmlist.PageModel类，用于保存分页电影信息
package com.ady01.demo2.filmlist; import lombok.*; import java.io.Serializable;
import java.util.List; /**
* <b>description</b>：分页对象 <br>
* <b>time</b>：2019-04-21 13:46 <br>
* <b>author</b>： 微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！
*/
@Getter
@Setter
@NoArgsConstructor
@ToString
public class PageModel implements Serializable {
private static final long serialVersionUID = 1L;
/**
* 每页显示数量
*/
private long pageSize;
/**
* 当前页行的开始行的索引，如1,2,3....
*/
private long startIndex;
/**
* 当前页行的结束索引
*/
private long endIndex;
/**
* 当前页
*/
private long currentPage; /**
* 上一页索引
*/
private long prePage; /**
* 下一页索引
*/
private long nextPage; /**
* 总记录数
*/
private long count; /**
* 是否有上一页
*/
private boolean hasPrePage; /**
* 是否有下一页
*/
private boolean hasNextPage; /**
* 总页数
*/
private long pageCount; /**
* 数据集合
*/
private List<FilmModel> dataList;
} -
创建com.ady01.demo2.filmlist.FilmModel类，用于保存电影信息
package com.ady01.demo2.filmlist; import lombok.Getter;
import lombok.NoArgsConstructor;
import lombok.Setter;
import lombok.ToString; import java.io.Serializable;
import java.util.Map; /**
* <b>description</b>：电影信息 <br>
* <b>time</b>：2019/4/21 12:35 <br>
* <b>author</b>：微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！
*/
@Setter
@Getter
@NoArgsConstructor
@ToString
public class FilmModel implements Serializable{
private static final long serialVersionUID = 1L;
/**
* 编号
*/
private java.lang.Long id;
/**
* 片名，完整名称，不包含无关文字
*/
private java.lang.String name;
/**
* 片名全拼音(小写)，如英雄：yingxiong
*/
private java.lang.String full_spell;
/**
* 片名简拼(小写)，如英雄：yx
*/
private java.lang.String short_spell;
/**
* 标题，可能和片名不同，里面有可能包含推广相关文字
*/
private java.lang.String title;
/**
* 关键词，多个之间用逗号隔开
*/
private java.lang.String keywords;
/**
* 描述
*/
private java.lang.String description;
/**
* 1：电影，2：自定义专辑系列
*/
private java.lang.Integer type;
/**
* 来源站点
*/
private java.lang.Long site_id;
/**
* 来源页面
*/
private java.lang.String source_url;
/**
* 简介，关联t_content_id
*/
private java.lang.Long content_id;
/**
* 评分
*/
private java.lang.String score;
/**
* 来源页面中资源唯一标志，用于去重使用
*/
private java.lang.String source_uid;
/**
* 创建时间
*/
private java.lang.Long create_time;
/**
* 发布时间
*/
private java.lang.Long pub_time;
/**
* 最后更新时间
*/
private java.lang.Long update_time;
/**
* 状态信息
*/
private java.lang.Integer status;
/**
* 版本号
*/
private java.lang.Long version;
/**
* 扩展数据
*/
private Map<Object, Object> extData;
} -
创建列表数据采集器com.ady01.demo2.filmlist.FilmListPageProcessor
package com.ady01.demo2.filmlist; import com.ady01.demo2.filmdetail.FilmDetailModel;
import com.ady01.demo2.filmdetail.FilmDetailPageProcessor;
import com.alibaba.fastjson.JSON;
import lombok.extern.slf4j.Slf4j;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Request;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor; /**
* <b>description</b>：电影列表页面数据采集器 <br>
* <b>time</b>：2019/4/21 12:40 <br>
* <b>author</b>：微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！
*/
@Slf4j
public class FilmListPageProcessor implements PageProcessor { public static PageModel collector(String url) {
return new FilmListPageProcessor(url).collect().getPageModel();
} private Site site = Site.me().setRetryTimes(3).setSleepTime(100).setTimeOut(10000);
//需要采集的页面
private String url; //采集的数据
private PageModel pageModel; public FilmListPageProcessor(String url) {
this.url = url;
} public FilmListPageProcessor collect() {
Request request = new Request(url);
Spider.create(this).thread(1).addRequest(request).run();
return this;
} @Override
public void process(Page page) {
String text = page.getRawText();
log.info("列表页面数据：{}", text);
this.pageModel = JSON.parseObject(text, PageModel.class);
} @Override
public Site getSite() {
return this.site;
} public PageModel getPageModel() {
return pageModel;
} public void setPageModel(PageModel pageModel) {
this.pageModel = pageModel;
}
} -
测试用例com.ady01.demo2.filmlist.FilmListPageProcessorTest
package com.ady01.demo2.filmlist; import lombok.extern.slf4j.Slf4j;
import org.junit.Test; /**
* <b>description</b>： <br>
* <b>time</b>：2019/4/21 13:59 <br>
* <b>author</b>：微信微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据）
*/
@Slf4j
public class FilmListPageProcessorTest { @Test
public void collect() {
String url = "http://m.ady01.com/rs/film/listJson/1/1";
PageModel collector = FilmListPageProcessor.collector(url);
log.info("\n\n\n列表页面数:{}", collector);
}
} 运行 com.ady01.demo2.filmlist.FilmListPageProcessorTest#collect() 方法，结果如下：
3. 爬取电影《海王》迅雷地址
我们以《海王》页面(http://m.ady01.com/rs/film/detail/46612)为例，来采集详情页的信息
需要采集的信息有：电影名称、描述信息、电影下载地址列表
-
创建com.ady01.demo2.filmdetail.FilmDetailModel类，用于封装电影详细信息
package com.ady01.demo2.filmdetail; import lombok.Getter;
import lombok.Setter;
import lombok.ToString; import java.io.Serializable;
import java.util.List; /**
* <b>description</b>：电影详细信息 <br>
* <b>time</b>：2019/4/21 13:18 <br>
* <b>author</b>：微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！
*/
@Setter
@Getter
@ToString
public class FilmDetailModel implements Serializable {
private static final long serialVersionUID = 1L;
/**
* 编号
*/
private java.lang.Long id;
/**
* 片名，完整名称，不包含无关文字
*/
private java.lang.String title; /**
* 下载地址列表
*/
private List<String> downList;
} -
创建详情页采集器com.ady01.demo2.filmdetail.FilmDetailPageProcessor
package com.ady01.demo2.filmdetail; import lombok.extern.slf4j.Slf4j;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Request;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.selector.Selectable; import java.util.List;
import java.util.Objects;
import java.util.stream.Collectors; /**
* <b>description</b>：电影详情页采集器，采集电影详细信息 <br>
* <b>time</b>：2019/4/21 12:40 <br>
* <b>author</b>：微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！
*/
@Slf4j
public class FilmDetailPageProcessor implements PageProcessor {
public static FilmDetailModel collector(long film_id) {
return new FilmDetailPageProcessor(film_id).collect().getFilmDetailModel();
} private Site site = Site.me().setRetryTimes(3).setSleepTime(100).setTimeOut(10000);
//电影资源id
private long film_id; //采集的数据
private FilmDetailModel filmDetailModel; public FilmDetailPageProcessor(long film_id) {
this.film_id = film_id;
} public FilmDetailPageProcessor collect() {
Request request = new Request(String.format("http://m.ady01.com/rs/film/detail/%s", this.film_id));
Spider.create(this).thread(1).addRequest(request).run();
return this;
} @Override
public void process(Page page) {
String text = page.getRawText();
log.info("列表页面数据：{}", text);
this.filmDetailModel = new FilmDetailModel();
//电影标题
String title = page.getHtml().$("span[class='film_title']","text").get();
this.filmDetailModel.setId(this.film_id);
this.filmDetailModel.setTitle(title);
//电影下载地址downList
List<Selectable> downNodes = page.getHtml().$("div.film_downurl_txt").nodes();
if (Objects.nonNull(downNodes)) {
List<String> downList = downNodes.stream().map(item -> item.$("div", "text").get()).collect(Collectors.toList());
this.filmDetailModel.setDownList(downList);
}
} @Override
public Site getSite() {
return this.site;
} public FilmDetailModel getFilmDetailModel() {
return filmDetailModel;
} public void setFilmDetailModel(FilmDetailModel filmDetailModel) {
this.filmDetailModel = filmDetailModel;
}
} -
创建测试用例com.ady01.demo2.filmdetail.FilmDetailPageProcessorTest
package com.ady01.demo2.filmdetail; import com.ady01.demo2.filmlist.FilmListPageProcessor;
import com.ady01.demo2.filmlist.PageModel;
import com.ady01.util.FrameUtil;
import lombok.extern.slf4j.Slf4j;
import org.junit.Test; @Slf4j
public class FilmDetailPageProcessorTest {
@Test
public void collect() {
long film_id = 46612L;
FilmDetailModel filmDetailModel = FilmDetailPageProcessor.collector(46612L);
log.info("\n\n\n电影《海王》详情:{}", FrameUtil.json(filmDetailModel, true));
} } 运行测试用例com.ady01.demo2.filmdetail.FilmDetailPageProcessorTest#collect()
4. 总结
- webmagic中支持xpath、$选择器的方式获取页面中的元素信息，使用非常方便，如果你们对jquery比较熟悉，可以直接使用类似于jquery选择器的语法来解析整个页面的内容；还有xpath的语法，后期会有专门讲解xpath的语法，敬请关注。
- 有问题的可以留言。
- 下期咱们一起来抓取极客时间上面的课程信息
- 爱电影这个网站就是用webmagic做的，内部包含自动采集功能，每天自动采集大量大于资源，爬虫系列完结之后，将把整个网站的源码风险给大家，资源会在公众号中发布，可以提前关注一下公众号【路人甲Java】
可以关注公众号：路人甲Java，获取年薪50万课程，获取最新文章。