[Java爬虫-WebMagic]-04-处理爬取的结果

使用和定制Pipeline

Pileline是抽取结束后，进行处理的部分，它主要用于抽取结果的保存，也可以定制Pileline可以实现一些通用的功能。

一个爬虫可以同时定制多个Pipeline

Pipeline的接口定义如下：

public interface Pipeline {

    // ResultItems保存了抽取结果，它是一个Map结构，
    // 在page.putField(key,value)中保存的数据，可以通过ResultItems.get(key)获取
    public void process(ResultItems resultItems, Task task);

}

这里拿一个核心包内的ConsolePipeline来说

package us.codecraft.webmagic.pipeline;

import java.util.Iterator;
import java.util.Map.Entry;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;

public class ConsolePipeline implements Pipeline {
    public ConsolePipeline() {
    }

    public void process(ResultItems resultItems, Task task) {
        System.out.println("get page: " + resultItems.getRequest().getUrl());
        Iterator var3 = resultItems.getAll().entrySet().iterator();

        while(var3.hasNext()) {
            Entry<String, Object> entry = (Entry)var3.next();
            System.out.println((String)entry.getKey() + ":\t" + entry.getValue());
        }

    }
}

上面这个代码是核心包自带的一个控制台输出的Pipeline

---

添加Pipeline到爬虫

配置Spider

public static void main(String[] args) {
    //创建爬虫解析页面
    PageProcessor pageProcessor = new FirstWebmagic();
    //创建爬虫
    Spider spider = Spider.create(pageProcessor);
    //给爬虫添加爬取地址
    spider.addUrl("https://blog.csdn.net/qq_18604209/rss/list");
    //启动一个线程
    spider.thread(1);
    //添加PipPipeline
    spider.addPipeline(new ConsolePipeline());//核心包自带的一个控制台Pipeline
    //启动爬虫
    spider.run();

}

修改PageProcessor

我们把之前的代码稍微做一下修改

我们需要page.putField()方法来确定我们想要的东西

@Override
public void process(Page page) {
    //抓取到的页面为一个page对象
    Html html = page.getHtml();//我们从page里面获取Html信息

    Selectable item =  html.$("item");//获取item标签

    Selectable title =  item.$("title","text");//获取items标签的 title 中的文字
    Selectable link =  item.$("guid","text");//获取items标签的 guid 中的文字

    title = title.replace("\\<!\\[CDATA\\[","");
    title = title.replace("\\]>","");

    List<String> titles = title.all();
    List<String> links = link.all();

    for (int i = 0; i < titles.size(); i++) {
        page.putField(titles.get(i),links.get(i));
    }
}

之后控制台输出的结果为

[原][Java爬虫-WebMagic]-03-解析Html源码]:	https://blog.csdn.net/qq_18604209/article/details/104213572
[原][Java爬虫-WebMagic]-02-获取网页源码]:	https://blog.csdn.net/qq_18604209/article/details/104208837
[原][Java爬虫-WebMagic]-01-初识爬虫框架WebMagic]:	https://blog.csdn.net/qq_18604209/article/details/104208038
....

自定义Pipeline

首先我们创建一个类实现Pipeline接口

/** 保存结果类 **/
class MyPipeline implements Pipeline{

    @Override
    public void process(ResultItems resultItems, Task task) {
        Map<String,Object> map = resultItems.getAll();
        Set<String> keys = map.keySet();

        Iterator<String> it = keys.iterator();

        while (it.hasNext()){
            String title = it.next();
            String link = map.get(title).toString();
            System.out.println("{标题:"+ title + "--链接地址:"+ link +"}");
        }
    }
}

之后在Spider中添加我们自定义的Pipeline

public static void main(String[] args) {
    //创建爬虫解析页面
    PageProcessor pageProcessor = new FirstWebmagic();
    //创建爬虫
    Spider spider = Spider.create(pageProcessor);
    //给爬虫添加爬取地址
    spider.addUrl("https://blog.csdn.net/qq_18604209/rss/list");
    //启动一个线程
    spider.thread(1);
    //添加PipPipeline
    spider.addPipeline(new MyPipeline());//自己定义的
    //可以添加多个Pipeline
    spider.addPipeline(new ConsolePipeline());//核心包自带的一个控制台Pipeline
    //启动爬虫
    spider.run();

}

之后的输出结果

{标题:[原][Java爬虫-WebMagic]-03-解析Html源码]--链接地址:https://blog.csdn.net/qq_18604209/article/details/104213572}
{标题:[原][Java爬虫-WebMagic]-02-获取网页源码]--链接地址:https://blog.csdn.net/qq_18604209/article/details/104208837} 
...

[原][Java爬虫-WebMagic]-03-解析Html源码]:	https://blog.csdn.net/qq_18604209/article/details/104213572
[原][Java爬虫-WebMagic]-02-获取网页源码]:	https://blog.csdn.net/qq_18604209/article/details/104208837
...

这样两个Pipeline都有输出的结果了

一个完整的代码

import us.codecraft.webmagic.*;
import us.codecraft.webmagic.pipeline.ConsolePipeline;
import us.codecraft.webmagic.pipeline.Pipeline;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.selector.Html;
import us.codecraft.webmagic.selector.Selectable;

import java.util.Iterator;
import java.util.List;
import java.util.Map;
import java.util.Set;

public class FirstWebmagic implements PageProcessor 

    @Override
    public void process(Page page) {
        //抓取到的页面为一个page对象
        Html html = page.getHtml();//我们从page里面获取Html信息

        Selectable item =  html.$("item");//获取item标签

        Selectable title =  item.$("title","text");//获取items标签的 title 中的文字
        Selectable link =  item.$("guid","text");//获取items标签的 guid 中的文字

        title = title.replace("\\<!\\[CDATA\\[","");
        title = title.replace("\\]>","");

        List<String> titles = title.all();
        List<String> links = link.all();

        for (int i = 0; i < titles.size(); i++) {
            page.putField(titles.get(i),links.get(i));
        }
    }

    @Override
    public Site getSite() {
        Site site = Site.me();//创建Site
        site.setTimeOut(1000);//设置超时
        site.setRetryTimes(3);//设置重试次数
        site.setCharset("UTF-8");
        return site;
    }

    public static void main(String[] args) {
        //创建爬虫解析页面
        PageProcessor pageProcessor = new FirstWebmagic();
        //创建爬虫
        Spider spider = Spider.create(pageProcessor);
        //给爬虫添加爬取地址
        spider.addUrl("https://blog.csdn.net/qq_18604209/rss/list");
        //启动一个线程
        spider.thread(1);
        //添加PipPipeline
        spider.addPipeline(new MyPipeline());
        //可以添加多个Pipeline
        spider.addPipeline(new ConsolePipeline());//核心包自带的一个控制台Pipeline
        //启动爬虫
        spider.run();
    }
    
}

/** 保存结果类 **/
class MyPipeline implements Pipeline{

    @Override
    public void process(ResultItems resultItems, Task task) {
        Map<String,Object> map = resultItems.getAll();
        Set<String> keys = map.keySet();

        Iterator<String> it = keys.iterator();

        while (it.hasNext()){
            String title = it.next();
            String link = map.get(title).toString();
            System.out.println("{标题:"+ title + "--链接地址:"+ link +"}");
        }
        
    }
    
}

---

上一篇[Java爬虫-WebMagic]-03-解析Html源码