add annotation
parent
7020b8648d
commit
50edd22ef6
@ -0,0 +1,21 @@
|
||||
package us.codecraft.webmagic.annotation;
|
||||
|
||||
import java.lang.annotation.ElementType;
|
||||
import java.lang.annotation.Retention;
|
||||
import java.lang.annotation.Target;
|
||||
|
||||
/**
|
||||
* @author yihua.huang@dianping.com <br>
|
||||
* @date: 13-8-1 <br>
|
||||
* Time: 下午8:40 <br>
|
||||
*/
|
||||
@Retention(java.lang.annotation.RetentionPolicy.RUNTIME)
|
||||
@Target({ElementType.FIELD})
|
||||
public @interface Fetcher {
|
||||
|
||||
String value();
|
||||
|
||||
public enum Type {XPath, Regex, Css};
|
||||
|
||||
Type type() default Type.XPath;
|
||||
}
|
@ -0,0 +1,30 @@
|
||||
package us.codecraft.webmagic.annotation;
|
||||
|
||||
import us.codecraft.webmagic.selector.Selector;
|
||||
|
||||
import java.lang.reflect.Field;
|
||||
|
||||
/**
|
||||
* @author yihua.huang@dianping.com <br>
|
||||
* @date: 13-8-1 <br>
|
||||
* Time: 下午9:48 <br>
|
||||
*/
|
||||
class FieldFetcher {
|
||||
|
||||
private final Field field;
|
||||
|
||||
private final Selector selector;
|
||||
|
||||
FieldFetcher(Field field, Selector selector) {
|
||||
this.field = field;
|
||||
this.selector = selector;
|
||||
}
|
||||
|
||||
Field getField() {
|
||||
return field;
|
||||
}
|
||||
|
||||
Selector getSelector() {
|
||||
return selector;
|
||||
}
|
||||
}
|
@ -0,0 +1,65 @@
|
||||
package us.codecraft.webmagic.annotation;
|
||||
|
||||
import us.codecraft.webmagic.Page;
|
||||
import us.codecraft.webmagic.Request;
|
||||
import us.codecraft.webmagic.Site;
|
||||
import us.codecraft.webmagic.processor.PageProcessor;
|
||||
|
||||
import java.util.ArrayList;
|
||||
import java.util.HashSet;
|
||||
import java.util.List;
|
||||
import java.util.Set;
|
||||
import java.util.regex.Pattern;
|
||||
|
||||
/**
|
||||
* @author yihua.huang@dianping.com <br>
|
||||
* @date: 13-8-1 <br>
|
||||
* Time: 下午8:46 <br>
|
||||
*/
|
||||
public class ObjectPageProcessor implements PageProcessor {
|
||||
|
||||
private List<PageModelFetcher> pageModelFetcherList;
|
||||
|
||||
private Site site;
|
||||
|
||||
private Set<Pattern> targetUrlPatterns;
|
||||
|
||||
public static ObjectPageProcessor create(Site site, Class... clazzs) {
|
||||
List<PageModelFetcher> pageModelFetcherList = new ArrayList<PageModelFetcher>();
|
||||
for (Class clazz : clazzs) {
|
||||
PageModelFetcher pageModelFetcher = PageModelFetcher.create(clazz);
|
||||
pageModelFetcherList.add(pageModelFetcher);
|
||||
}
|
||||
ObjectPageProcessor objectPageProcessor = new ObjectPageProcessor(site, pageModelFetcherList);
|
||||
return objectPageProcessor;
|
||||
}
|
||||
|
||||
private ObjectPageProcessor(Site site, List<PageModelFetcher> pageModelFetcherList) {
|
||||
this.site = site;
|
||||
this.pageModelFetcherList = pageModelFetcherList;
|
||||
targetUrlPatterns = new HashSet<Pattern>();
|
||||
for (PageModelFetcher pageModelFetcher : pageModelFetcherList) {
|
||||
targetUrlPatterns.addAll(pageModelFetcher.getTargetUrlPatterns());
|
||||
}
|
||||
}
|
||||
|
||||
@Override
|
||||
public void process(Page page) {
|
||||
for (PageModelFetcher pageModelFetcher : pageModelFetcherList) {
|
||||
Object process = pageModelFetcher.process(page);
|
||||
page.putField(pageModelFetcher.getClazz().getCanonicalName(), process);
|
||||
}
|
||||
for (String link : page.getHtml().links().all()) {
|
||||
for (Pattern targetUrlPattern : targetUrlPatterns) {
|
||||
if (targetUrlPattern.matcher(link).matches()){
|
||||
page.addTargetRequest(new Request(link));
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
@Override
|
||||
public Site getSite() {
|
||||
return site;
|
||||
}
|
||||
}
|
@ -0,0 +1,104 @@
|
||||
package us.codecraft.webmagic.annotation;
|
||||
|
||||
import us.codecraft.webmagic.Page;
|
||||
import us.codecraft.webmagic.selector.CssSelector;
|
||||
import us.codecraft.webmagic.selector.RegexSelector;
|
||||
import us.codecraft.webmagic.selector.Selector;
|
||||
import us.codecraft.webmagic.selector.XpathSelector;
|
||||
|
||||
import java.lang.annotation.Annotation;
|
||||
import java.lang.reflect.Field;
|
||||
import java.util.ArrayList;
|
||||
import java.util.List;
|
||||
import java.util.regex.Pattern;
|
||||
|
||||
/**
|
||||
* @author yihua.huang@dianping.com <br>
|
||||
* @date: 13-8-1 <br>
|
||||
* Time: 下午9:33 <br>
|
||||
*/
|
||||
class PageModelFetcher {
|
||||
|
||||
private List<Pattern> targetUrlPatterns;
|
||||
|
||||
private Class clazz;
|
||||
|
||||
private List<FieldFetcher> fieldFetchers;
|
||||
|
||||
public static PageModelFetcher create(Class clazz) {
|
||||
PageModelFetcher pageModelFetcher = new PageModelFetcher();
|
||||
pageModelFetcher.init(clazz);
|
||||
return pageModelFetcher;
|
||||
}
|
||||
|
||||
private void init(Class clazz) {
|
||||
this.clazz = clazz;
|
||||
initTargetUrlPatterns();
|
||||
fieldFetchers = new ArrayList<FieldFetcher>();
|
||||
for (Field field : clazz.getDeclaredFields()) {
|
||||
field.setAccessible(true);
|
||||
Fetcher fetcher = field.getAnnotation(Fetcher.class);
|
||||
String value = fetcher.value();
|
||||
Selector selector;
|
||||
switch (fetcher.type()) {
|
||||
case Css:
|
||||
selector = new CssSelector(value);
|
||||
break;
|
||||
case Regex:
|
||||
selector = new RegexSelector(value);
|
||||
break;
|
||||
case XPath:
|
||||
selector = new XpathSelector(value);
|
||||
break;
|
||||
default:
|
||||
selector = new XpathSelector(value);
|
||||
}
|
||||
fieldFetchers.add(new FieldFetcher(field, selector));
|
||||
}
|
||||
}
|
||||
|
||||
private void initTargetUrlPatterns() {
|
||||
targetUrlPatterns = new ArrayList<Pattern>();
|
||||
Annotation annotation = clazz.getAnnotation(TargetUrl.class);
|
||||
if (annotation == null) {
|
||||
targetUrlPatterns.add(Pattern.compile(".*"));
|
||||
} else {
|
||||
String[] value = ((TargetUrl) annotation).value();
|
||||
for (String s : value) {
|
||||
targetUrlPatterns.add(Pattern.compile(s.replace(".","\\.").replace("*","[^\"'#]*")));
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
public Object process(Page page) {
|
||||
boolean matched = false;
|
||||
for (Pattern targetPattern : targetUrlPatterns) {
|
||||
if (targetPattern.matcher(page.getUrl().toString()).matches()) {
|
||||
matched = true;
|
||||
}
|
||||
}
|
||||
if (!matched) {
|
||||
return null;
|
||||
}
|
||||
Object o = null;
|
||||
try {
|
||||
o = clazz.newInstance();
|
||||
for (FieldFetcher fieldFetcher : fieldFetchers) {
|
||||
fieldFetcher.getField().set(o, fieldFetcher.getSelector().select(page.getHtml().toString()));
|
||||
}
|
||||
} catch (InstantiationException e) {
|
||||
e.printStackTrace();
|
||||
} catch (IllegalAccessException e) {
|
||||
e.printStackTrace();
|
||||
}
|
||||
return o;
|
||||
}
|
||||
|
||||
Class getClazz() {
|
||||
return clazz;
|
||||
}
|
||||
|
||||
List<Pattern> getTargetUrlPatterns() {
|
||||
return targetUrlPatterns;
|
||||
}
|
||||
}
|
@ -0,0 +1,17 @@
|
||||
package us.codecraft.webmagic.annotation;
|
||||
|
||||
import java.lang.annotation.ElementType;
|
||||
import java.lang.annotation.Retention;
|
||||
import java.lang.annotation.Target;
|
||||
|
||||
/**
|
||||
* @author yihua.huang@dianping.com <br>
|
||||
* @date: 13-8-1 <br>
|
||||
* Time: 下午8:40 <br>
|
||||
*/
|
||||
@Retention(java.lang.annotation.RetentionPolicy.RUNTIME)
|
||||
@Target({ElementType.TYPE})
|
||||
public @interface TargetUrl {
|
||||
|
||||
String[] value();
|
||||
}
|
@ -0,0 +1,24 @@
|
||||
package us.codecraft.webmagic.annotation;
|
||||
|
||||
/**
|
||||
* @author yihua.huang@dianping.com <br>
|
||||
* @date: 13-8-1 <br>
|
||||
* Time: 下午10:18 <br>
|
||||
*/
|
||||
@TargetUrl("http://djjchobits.iteye.com/blog/\\d+")
|
||||
public class Blog {
|
||||
|
||||
@Fetcher("//title")
|
||||
private String title;
|
||||
|
||||
@Fetcher(value = "div#main",type = Fetcher.Type.Css)
|
||||
private String content;
|
||||
|
||||
@Override
|
||||
public String toString() {
|
||||
return "Blog{" +
|
||||
"title='" + title + '\'' +
|
||||
", content='" + content + '\'' +
|
||||
'}';
|
||||
}
|
||||
}
|
@ -0,0 +1,20 @@
|
||||
package us.codecraft.webmagic.annotation;
|
||||
|
||||
import org.junit.Test;
|
||||
import us.codecraft.webmagic.Site;
|
||||
import us.codecraft.webmagic.Spider;
|
||||
|
||||
/**
|
||||
* @author yihua.huang@dianping.com <br>
|
||||
* @date: 13-8-1 <br>
|
||||
* Time: 下午8:42 <br>
|
||||
*/
|
||||
public class TestFetcher {
|
||||
|
||||
@Test
|
||||
public void test() {
|
||||
Spider.create(ObjectPageProcessor.create(Site.me().addStartUrl("http://djjchobits.iteye.com/blog/569000"), Blog.class)).run();
|
||||
|
||||
}
|
||||
|
||||
}
|
Loading…
Reference in New Issue