Question

这部分我们直接通过 GithubRepoPageProcessor 这个例子来介绍 PageProcessor 的编写方式。我将 PageProcessor 的定制分为三个部分，分别是爬虫的配置、页面元素的抽取和链接的发现。

public class GithubRepoPageProcessor implements PageProcessor {

    // 部分一：抓取网站的相关配置，包括编码、抓取间隔、重试次数等
    private Site site = Site.me().setRetryTimes(3).setSleepTime(1000);

    @Override
    // process 是定制爬虫逻辑的核心接口，在这里编写抽取逻辑
    public void process(Page page) {
        // 部分二：定义如何抽取页面信息，并保存下来
        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()"));

        // 部分三：从页面发现后续的 url 地址来抓取
        page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/[\\w\\-]+/[\\w\\-]+)").all());
    }

    @Override
    public Site getSite() {
        return site;
    }

    public static void main(String[] args) {

        Spider.create(new GithubRepoPageProcessor())
                //从"https://github.com/code4craft"开始抓
                .addUrl("https://github.com/code4craft")
                //开启 5 个线程抓取
                .thread(5)
                //启动爬虫
                .run();
    }
}

4.1.1 爬虫的配置

第一部分关于爬虫的配置，包括编码、抓取间隔、超时时间、重试次数等，也包括一些模拟的参数，例如 User Agent、cookie，以及代理的设置，我们会在第 5 章-“爬虫的配置”里进行介绍。在这里我们先简单设置一下：重试次数为 3 次，抓取间隔为一秒。

4.1.2 页面元素的抽取

第二部分是爬虫的核心部分：对于下载到的 Html 页面，你如何从中抽取到你想要的信息？WebMagic 里主要使用了三种抽取技术：XPath、正则表达式和 CSS 选择器。另外，对于 JSON 格式的内容，可使用 JsonPath 进行解析。

XPath

XPath 本来是用于 XML 中获取元素的一种查询语言，但是用于 Html 也是比较方便的。例如：

 page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()")

这段代码使用了 XPath，它的意思是 查找所有 class 属性为 entry-title public ​的 h1 元素，并找到他的 strong 子节点的 a 子节点，并提取 a 节点的文本信息。

CSS 选择器

CSS 选择器是与 XPath 类似的语言。如果大家做过前端开发，肯定知道$('h1.entry-title') 这种写法的含义。客观的说，它比 XPath 写起来要简单一些，但是如果写复杂一点的抽取规则，就相对要麻烦一点。

正则表达式

正则表达式则是一种通用的文本抽取语言。

 page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all());

这段代码就用到了正则表达式，它表示匹配所有"https://github.com/code4craft/webmagic"这样的链接。

JsonPath

JsonPath 是于 XPath 很类似的一个语言，它用于从 Json 中快速定位一条内容。WebMagic 中使用的 JsonPath 格式可以参考这里： https://code.google.com/p/json-path/

4.1.3 链接的发现

有了处理页面的逻辑，我们的爬虫就接近完工了！

但是现在还有一个问题：一个站点的页面是很多的，一开始我们不可能全部列举出来，于是如何发现后续的链接，是一个爬虫不可缺少的一部分。

page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all());

这段代码的分为两部分， page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all() 用于获取所有满足 "(https:/ /github\.com/\w+/\w+)" ​这个正则表达式的链接， page.addTargetRequests() 则将这些链接加入到待抓取的队列中去。