Java爬虫-基于WebMagic爬取某豆瓣电影评论

目的

搭建爬虫平台，爬取某豆瓣电影的评论信息。

准备

webmagic是一个开源的Java垂直爬虫框架，目标是简化爬虫的开发流程，让开发者专注于逻辑功能的开发。webmagic的核心非常简单，但是覆盖爬虫的整个流程，也是很好的学习爬虫开发的材料。

下载WebMagic源码，或Maven导入，或Jar包方式导入。  码云地址：https://gitee.com/flashsword20/webmagic 

试运行

搭建好后打开项目， 在 us.codecraft.webmagic.processor.example 包下有几个可运行的例子，我们可以直接运行体验（BaiduBaikePageProcessor 百度百科的这个比较稳定）。

爬到结果说明没问题。

自定义爬虫

接下来我们自己编写一个爬取豆瓣评论的爬虫。

爬取地址：https://movie.douban.com/subject/35096844/reviews?start=0

F12进入开发者模式 分析前端页面

我们发现我们需要爬取的评论信息存放在 class=short-content的div 中。

创建一个豆瓣爬取的类DoubanPageProcessor如下：

package us.codecraft.webmagic.processor.example;

import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;

import java.util.List;
import java.util.Map;

/**
 * A simple PageProcessor.
 * 爬取豆瓣某电影的评论   爬取地址：https://movie.douban.com/subject/35096844/reviews?start=0
 *
 * @author code4crafter@gmail.com <br>
 * @since 0.1.0
 */
public class DoubanPageProcessor implements PageProcessor {

    private Site site;

    public DoubanPageProcessor(String urlPattern) {
        this.site = Site.me().setRetryTimes(3).setSleepTime(300);  // 设置站点重试次数3 间隔300ms
    }

    @Override
    public void process(Page page) {
        page.putField("title", page.getHtml().xpath("//title/text()")); //爬取网页标题
//        page.putField("html", page.getHtml().toString()); //爬取整个页面的html
        page.putField("titleList", page.getHtml().css("div.short-content", "text").all()); // 我们要爬取的核心信息内容，获取方式与css选择器用法一样
//        page.putField("content", page.getHtml().smartContent());
    }

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

    public static void main(String[] args) {

        Spider spider = Spider.create(new DoubanPageProcessor("https://movie\\.douban\\.com\\d+"));
        ResultItems resultItems = spider.<ResultItems>get("https://movie.douban.com/subject/35096844/reviews?start=0");// 爬取并获得爬取结果
        Map<String, Object> map = resultItems.getAll();
        for (Map.Entry entry : map.entrySet()) {
            System.out.println(entry.getKey() + " : " + entry.getValue()); //打印爬取的所有内容
        }
        List<String> shortList = (List<String>) map.get("titleList");
        System.out.println("=====================分隔线===================\n短评如下：");
        for (int i = 0; i < shortList.size(); i++) {
            System.out.println(i + "、" + shortList.get(i).trim()); // 打印爬取的评论内容
        }
        spider.close();
    }

}

运行结果如下：

爬取成功。

---------------------------------------------------------------------------------------------------------------------------------------------------
有兴趣的朋友可以加Q群交流学习，群里有更多源码，学习资料，大神解答。

QQ群：741909960     

点我进群