关于一些基本内容可查看上一篇博客:http://blog.csdn.net/u013082989/article/details/51176073
一、首先看一下爬虫的内容:
(1)学科类型、课程、课程对应章节、课程对应参考教材(主要是要将课程章节对应到上一级爬取的课程上,还有就是课程教材的爬取比较麻烦,下面会讲到)
课程章节:
课程教材
教材内容
二、实体类的设计:
(1)课程类、课程对应章节类(一对多),课程对应教材类(一对多),关于hibernate映射文件就不说明了。
三、爬取课程及对应章节
(1)与上篇博客一样,实现PageProcessor接口
<strong><span style="font-size:18px;">public class CourseSpider implements PageProcessor</span></strong>
以及其中的方法
(2)分析学科类型,就是li标签下对应一个超链接,学科类型比较少,我是单独写了一个爬虫将其存入数据库的(其实手打都可以....)。主要是下面可以将其作为待爬取链接然后请求。
(3)然后分析课程,以哲学学科为例,链接为:域名+/category/01,但是是有分页的
点击第二页,发现链接为:域名+/category/01/2/24,所以2就对应第二页,24就是前2页的记录数
所以我们可以通过改变url地址方式,加载所有的内容。
(4)分析课程章节,就是一个li标签对应一章节,也比较简单
(5)实现代码:
1、获取所需的service
private ApplicationContext ac = new ClassPathXmlApplicationContext("applicationContext.xml"); // 获取service ISpiderCourseService spiderCourseService = (ISpiderCourseService) ac.getBean("spiderCourseServiceImpl"); ISpiderProfessionTypeService spiderProfessionTypeService = (ISpiderProfessionTypeService) ac.getBean("spiderProfessionTypeServiceImpl"); ISpiderChapterService spiderChapterService = (ISpiderChapterService) ac.getBean("spiderChapterServiceImpl"); ISpiderDocumentService spiderDocumentService = (ISpiderDocumentService) ac.getBean("spiderDocumentServiceImpl");
2、定义site,可以将setTimeOut设置的长一点,因为我们通过改变url访问的记录条数比较多,否则可能出现错误。
private Site site = Site.me().setRetryTimes(5).setSleepTime(3000).setTimeOut(23000);
3、process方法,满足对应的正则表达式表示进入第几层爬虫,调用对应的方法。
@Override public void process(Page page) { // 格式:http://mooc.chaoxing.com/category/01/0/1000 if (page.getUrl().regex("http://mooc\\.chaoxing\\.com/category/\\d+/\\d/\\d+") .toString() != null) { System.out.println("第一层"); crawerCourse(page); } // 格式:http://mooc.chaoxing.com/course/55672.html else if (page.getUrl().regex("http://mooc\\.chaoxing\\.com/course/\\d+\\.html") .toString() != null) { System.out.println("第二层"); crawCourseInfo(page); } }
4、爬取课程信息的方法:
一些解析html的就不说了,我用的xpath,WebMagic还提供了很多解析的方法。
我们将爬取的信息封装成课程对象, 并将课程的url作为待爬取的链接(及第二层),将课程对象放到request中(因为第二层爬取章节,需要找到对应的课程类),设置请求的优先级为1(数越小优先级越高,先爬取第一层,再爬取第二层)。
/** * 爬去课程信息 */ public void crawerCourse(Page page) { // <div class="label"> // 哲学 </div> // 筛选专业类型 String professionType = page.getHtml() .xpath("//div[@class='label']/text()").toString(); // <li class="ans-slow-anim"> // <div class="picArea ans-slow-anim"><a href="/course/198413.html" // target="_blank"> // <img // src="http://p.ananas.chaoxing.com/star/258_153c/1384413396917gvcrs.jpg" // width="178" height="109"></a> // </div> // <div class="introArea"><a href="/course/198413.html" target="_blank" // title="中华传统思想-对话先秦哲学">中华传统思想-对话先秦哲学</a></div> // <div class="introArea2" title="万献初 李景林 郭齐勇 夏可君 陈炎 武汉大学"> // 万献初等 // 武汉大学 // // </div> // </li> // 筛选名称 List<String> courseNameList = page.getHtml() .xpath("//div[@class='introArea']/a/html()").all(); // page.putField("courseNameList", courseNameList); // 筛选url List<String> courseUrlList = page.getHtml() .xpath("//div[@class='introArea']/a/@href").all(); // page.putField("courseUrlList", courseUrlList); // 筛选信息 List<String> infoList = page.getHtml() .xpath("//div[@class='introArea2']/@title").all(); // page.putField("infoList", infoList); if (courseNameList.size() > 0) { for (int i = 0; i < courseNameList.size(); i++) { SpiderCourse model = new SpiderCourse(courseNameList.get(i) .toString().trim(), courseUrlList.get(i).toString() .trim(), infoList.get(i).toString(), professionType); spiderCourseService.save(model); // Request request2=new // Request(courseUrlList.get(i)).setPriority(1).putExtra("courseModel", // model); // page.putField("model", model); // 设置优先级为1 page.addTargetRequest(new Request(courseUrlList.get(i)) .setPriority(1).putExtra("courseModel", model)); } } List<SpiderProfessionType> list = spiderProfessionTypeService.findAll(); for (int j = 2; j < list.size(); j++) { // 设置优先级为0 page.addTargetRequest(new Request(list.get(j).getUrl()+"/0/1000") .setPriority(0)); } // List<String> urlList=new ArrayList<String>(); // for(int j=2;j<list.size();j++){ // urlList.add(list.get(j).getUrl()+"/0/1000"); // } // //将后续urls作为请求 // page.addTargetRequests(urlList); }
5、爬取课程对应的章节:
可以通过
page.getRequest().getExtra("courseModel");
得到上级设置的课程对象,每个page中是有一个request的。
/** * 爬取课程对应的章节 */ public void crawCourseInfo(Page page) { /** * 得到上级传来的model,用户保存对应的课程 */ SpiderCourse courseModel = (SpiderCourse) page.getRequest().getExtra( "courseModel"); // <div class="mt10 f33 l g5"> // <span>木结构设计</span> // </div> // 筛选课程名 String courseName = page.getHtml() .xpath("//div[@class='mt10 f33 l g5']/span/text()").toString(); // <li class="mb15 course_section fix"> // <!--<a class="wh" // href="/nodedetailcontroller/visitnodedetail?knowledgeId=789300" // target="_blank">--> // <a class="wh" // href="/nodedetailcontroller/visitnodedetail?knowledgeId=789300"> // <div class="f16 chapter_index l">1.1</div> // <div class="f16 pct80 pr10 r">和的哲学(一)</div> // </a> // </li> /** * 爬取章节 */ // 筛选url List<String> chapterUrlList = page .getHtml() .xpath("//li[@class='mb15 course_section fix']/a[@class='wh']/@href") .all(); // page.putField("chapterUrlList", chapterUrlList); // 筛选章节号 List<String> chapterNumList = page.getHtml() .xpath("//div[@class='f16 chapter_index l']/text()").all(); // page.putField("chapterNumList", chapterNumList); // 筛选章节名 List<String> chapterNameList = page.getHtml() .xpath("//div[@class='f16 pct80 pr10 r']/text()").all(); // page.putField("chapterNameList", chapterNameList); if (chapterUrlList.size() > 0) { for (int i = 0; i < chapterUrlList.size(); i++) { SpiderChapter model = new SpiderChapter(chapterNumList.get(i) .toString(), chapterNameList.get(i).toString(), chapterUrlList.get(i).toString(), courseName, courseModel); spiderChapterService.save(model); } } }
这样爬取课程及对应的章节就完成了,后面和爬取参考教材的一块测试。
四、爬取课程对应的参考教材,这个相对复杂一点
(1)分析界面
参考教材的显示是通过一个iframe,嵌套了一个html,尝试和上面一样的方法想获取对应的信息,通过调试发现是获取不到的,它应该是通过js然后拼接的html代码,我们爬虫不会得到js执行过后的html代码,所以就比较麻烦。看网上也有一些工具可以得到js执行过后的html代码,但是肯定会降低爬取的效率。
试着获取一个div下的所有节点信息,发现会得到iframe的信息,我们看到iframe中有一个data属性,对应的是一个json格式的信息,所以它应该是通过解析这个json格式的信息,然后拼接的html代码显示参考教材。(json中的bookname,author等信息是unicode编码,刚开始我还纠结是不是获取后要转为汉字,它就是一个编码方式,不用管,获取到就行了)
还有就是json中的url地址试着访问时不对的,然后分析发送的请求发现url地址也是通过js拼接的
url信息,所以我们获取后再进行处理。分析完毕。
(2)代码:
代码其实并不多,但是分析的过程还是很麻烦的。
/** * 爬取课程对应的章节文档 ,这个有点特殊,它是一个iframe * 并且通过分析之后得出iframe里有个data属性,是json格式的数据,然后网站再通过js拼接html代码 * 汉字采用的是unicode编码 */ // 得到的是json格式的字符串 // 格式: // {"readurl":"http://resapi.chaoxing.com/realRead?dxid=000006873411&ssid=12553309&d=BD6EECD6198FDD693FD0E87F715B5F05", // "coverurl":"http://cover.duxiu.com/cover/Cover.dll?iid=6768656B6B696569666F3839393335393236", // "bookname":"\u5148\u79e6\u54f2\u5b66", // "author":"\u66fe\u4ed5\u793c\u7f16\u8457", // "publisher":"\u6606\u660e\u5e02\uff1a\u4e91\u5357\u5927\u5b66\u51fa\u7248\u793e", // "publishdate":"2009.09", // "id":"ext-gen1223"} List<String> allInfoList = page.getHtml().xpath("//iframe/@data").all(); if (allInfoList.size() > 0) { for (int i = 0; i < allInfoList.size(); i++) { // String转为json JSONObject json = JSONObject.fromObject(allInfoList.get(i) .toString()); String realUrl = json.getString("readurl"); //http://resapi.chaoxing.com/realRead?dxid=000006873411&ssid=12553309&d=BD6EECD6198FDD693FD0E87F715B5F05 //连接中realRead替换为innerurl,并加上后缀&unitid=7719&readstyle=4&tp=flip&rotate=true&cpage=1 realUrl = realUrl.replace("realRead", "innerurl")+ "&unitid=7719&readstyle=4&tp=flip&rotate=true&cpage=1"; SpiderDocument model = new SpiderDocument( json.getString("bookname"), realUrl, json.getString("author"), json.getString("publisher"), json.getString("publishdate"), json.getString("coverurl"), courseModel); spiderDocumentService.save(model); } }
五:测试
信息对应正确。
六、总结
虽然爬虫中遇到了一些麻烦,但我还是挺享受这个过程的,并且也从中学到很多东西。