github-forks
/
webmagic
mirror of https://github.com/code4craft/webmagic.git
1
0
Fork 0
Code Issues Projects Releases Wiki Activity

[doc] complete docs2.0 ch1

Browse Source
pull/84/head
yihua.huang 11 years ago
parent 9ec0ca02c6
commit 50cee4c7bb
2 changed files with 146 additions and 39 deletions
Show Stats Download Patch File Download Diff File

2
user-manual.md
Unescape Escape View File

@ -65,7 +65,7 @@ webmagic还包含两个可用的扩展包，因为这两个包都依赖了比较
git clone http://git.oschina.net/flashsword20/webmagic.git
在**bin/lib**目录下，有项目依赖的所有jar包，直接在IDE里import即可。
在**lib**目录下，有项目依赖的所有jar包，直接在IDE里import即可。
--------

183
zh_docs/user-manual-new.md
Unescape Escape View File

@ -5,9 +5,9 @@ WebMagic是一个简单灵活、便于二次开发的爬虫框架。除了可以
你可以直接使用WebMagic进行爬虫开发，也可以定制WebMagic以适应复杂项目的需要。
## 1. 安装和使用
## 1. 使用WebMagic
WebMagic包含两个主要的jar包：`webmagic-core-{version}.jar`和`webmagic-extension-{version}.jar`。在项目中添加这两个包的依赖，即可使用WebMagic。
WebMagic主要包含两个jar包：`webmagic-core-{version}.jar`和`webmagic-extension-{version}.jar`。在项目中添加这两个包的依赖，即可使用WebMagic。
### 1.1 使用Maven
@ -21,7 +21,7 @@ WebMagic基于Maven进行构建，推荐使用Maven来安装WebMagic。在项目
</dependency>
```
WebMagic 使用slf4j-log4j12作为slf4j的实现.如果你自己定制了slf4j的实现，请在项目中去掉此依赖。
WebMagic使用slf4j-log4j12作为slf4j的实现.如果你自己定制了slf4j的实现，请在项目中去掉此依赖。
```xml
<dependency>
@ -43,19 +43,118 @@ WebMagic 使用slf4j-log4j12作为slf4j的实现.如果你自己定制了slf4j
git clone http://git.oschina.net/flashsword20/webmagic.git
在**lib**目录下，有项目依赖的所有jar包，直接在IDE里import即可。
在**lib**目录下，有项目依赖的所有jar包，直接在IDE里，将这些jar添加到Libraries即可。
### 1.3 从源码安装
![import jars](http://static.oschina.net/uploads/space/2014/0403/102848_ETcU_190591.png)
## 2. 基本的爬虫
### 1.3 第一个项目
### 2.1 抽取内容(xpath, regex, css selector, jsonpath)
在你的项目中添加了WebMagic的依赖之后，即可开始第一个爬虫的开发了！我们这里拿一个抓取Github信息的例子：
### 2.2 发现链接
```java
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;
### 2.3 处理多个页面
public class GithubRepoPageProcessor implements PageProcessor {
## 3. 使用注解
private Site site = Site.me().setRetryTimes(3).setSleepTime(100);
@Override
public void process(Page page) {
page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all());
page.putField("author", page.getUrl().regex("https://github\\.com/(\\w+)/.*").toString());
page.putField("name", page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()").toString());
if (page.getResultItems().get("name")==null){
//skip this page
page.setSkip(true);
}
page.putField("readme", page.getHtml().xpath("//div[@id='readme']/tidyText()"));
}
@Override
public Site getSite() {
return site;
}
public static void main(String[] args) {
Spider.create(new GithubRepoPageProcessor()).addUrl("https://github.com/code4craft").thread(5).run();
}
}
```
点击main方法，选择“运行”，你会发现爬虫已经可以正常工作了！
![runlog](http://static.oschina.net/uploads/space/2014/0403/103741_3Gf5_190591.png)
## 2.下载和编译源码
WebMagic是一个纯Java项目，如果你熟悉Maven，那么下载并编译源码是非常简单的。如果不熟悉Maven也没关系，这部分会介绍如何在Eclipse里导入这个项目。
### 2.1 下载源码
WebMagic目前有两个仓库：
* [https://github.com/code4craft/webmagic](https://github.com/code4craft/webmagic)
github上的仓库保存最新版本，所有issue、pull request都在这里。大家觉得项目不错的话别忘了去给个star哦！
* [http://git.oschina.net/flashsword20/webmagic](http://git.oschina.net/flashsword20/webmagic)
此仓库包含所有编译好的依赖包，只保存项目的稳定版本，最新版本仍在github上更新。oschina在国内比较稳定，主要作为镜像。
无论在哪个仓库，使用
git clone https://github.com/code4craft/webmagic.git
或者
git clone http://git.oschina.net/flashsword20/webmagic.git
即可下载最新代码。
如果你对git本身使用也不熟悉，建议看看@黄勇的 [从 Git@OSC 下载 Smart 源码](http://my.oschina.net/huangyong/blog/200075)
### 2.2 导入项目
Intellij Idea默认自带Maven支持，import项目时选择Maven项目即可。
#### 2.2.1 使用m2e插件
使用Eclipse的用户，推荐安装m2e插件，安装地址：https://www.eclipse.org/m2e/download/[](https://www.eclipse.org/m2e/download/)
安装后，在File->Import中选择Maven->Existing Maven Projects即可导入项目。
![m2e-import](http://static.oschina.net/uploads/space/2014/0403/104427_eNuc_190591.png)
导入后看到项目选择界面，点击finish即可。
![m2e-import2](http://static.oschina.net/uploads/space/2014/0403/104735_6vwG_190591.png)
#### 2.2.2 使用Maven Eclipse插件
如果没有安装m2e插件，只要你安装了Maven，也是比较好办的。在项目根目录下使用命令：
mvn eclipse:eclipse
生成maven项目结构的eclipse配置文件，然后在File->Import中选择General->Existing Projects into Workspace即可导入项目。
![eclipse-import-1](http://static.oschina.net/uploads/space/2014/0403/100025_DAcy_190591.png)
导入后看到项目选择界面，点击finish即可。
![eclipse-import-2](http://static.oschina.net/uploads/space/2014/0403/100227_73DJ_190591.png)
### 2.3 编译和执行源码
导入成功之后，应该就没有编译错误了！此时你可以运行一下webmagic-core项目中自带的exmaple:"us.codecraft.webmagic.processor.example.GithubRepoPageProcessor"。
同样，看到控制台输出如下，则表示源码编译和执行成功了！
![runlog](http://static.oschina.net/uploads/space/2014/0403/103741_3Gf5_190591.png)
## 3. 基本的爬虫
### 3.1 抽取内容(xpath, regex, css selector, jsonpath)
@ -63,58 +162,66 @@ WebMagic 使用slf4j-log4j12作为slf4j的实现.如果你自己定制了slf4j
### 3.3 处理多个页面
### 3.4 在POJO中实现复杂逻辑
## 4. 使用注解
### 4.1 抽取内容(xpath, regex, css selector, jsonpath)
### 4.2 发现链接
### 4.3 处理多个页面
### 4.4 在POJO中实现复杂逻辑
## 4. 配置爬虫
## 5. 配置爬虫
### 4.1 抓取频率
### 5.1 抓取频率
### 4.2 编码
### 5.2 编码
### 4.3 代理
### 5.3 代理
### 4.4 设置cookie/UA等http头信息
### 5.4 设置cookie/UA等http头信息
### 4.5 重试机制
### 5.5 重试机制
### 4.6 多线程
### 5.6 多线程
## 5. 爬虫的启动和终止
## 6. 爬虫的启动和终止
### 5.1 启动爬虫
### 6.1 启动爬虫
### 5.2 终止爬虫
### 6.2 终止爬虫
### 5.3 设置执行时间
### 6.3 设置执行时间
### 5.4 定期抓取
### 6.4 定期抓取
## 6. 管理URL
## 7. 管理URL
### 6.1 手动添加URL
### 7.1 手动添加URL
### 6.2 在URL中保存信息
### 7.2 在URL中保存信息
### 6.3 几种URL管理方式
### 7.3 几种URL管理方式
### 6.4 自己管理爬虫的URL
### 7.4 自己管理爬虫的URL
## 7. 抽取结果的处理
## 8. 抽取结果的处理
### 7.1 输出到控制台
### 8.1 输出到控制台
### 7.2 保存到文件
### 8.2 保存到文件
### 7.3 JSON格式输出
### 8.3 JSON格式输出
### 7.4 自定义持久化方式(mysql/mongodb…)
### 8.4 自定义持久化方式(mysql/mongodb…)
## 8. 实例
## 9. 实例
### 8.1 基本的列表+详情页的抓取
### 9.1 基本的列表+详情页的抓取
### 8.2 抓取动态页面
### 9.2 抓取动态页面
### 8.3 分页抓取
### 9.3 分页抓取
### 8.4 定期抓取
### 9.4 定期抓取
Write Preview
Loading…
Cancel
Save