基于webmagic的种子网站爬取

代码地址如下：
http://www.demodashi.com/demo/12175.html

1. 概述

因为无聊，闲来没事做，故突发奇想，爬个种子，顺便学习爬虫。本文将介绍使用Spring/Mybatis/webmagic等框架构建项目并爬取种子磁链。

2. 项目搭建

如下图为本项目的工程结构，主要代码实现在Spider包中。

3. 数据库设计

参考众多的种子网站，找到描述种子的常用属性，如下：

4. 程序实现

1. 爬虫配置

在抓取种子之前，首先要确定所要抓取的网站地址、编码、抓取时间间隔、重试次数等信息，如下：

	//设置网站源
	private static String netSite="PushBT";

	private Site site = Site.me().setDomain("http://www.pushbt.com")
			.setCharset("UTF-8").setSleepTime(1000)//编码
			.setRetryTimes(3);//重试次数
	private static String  BASE_URL="http://www.pushbt.com";

2. 逻辑编写

process方法是爬虫的核心接口，所有的属性抽取都在此方法中实现

@Override
	public void process(Page page) {
		//定义如何抽取页面信息，并保存下来
		List<String> links = page.getHtml().xpath("//table[@class='items']//tr[@class='odd']/td[2]/a/@href").all();
		//将需要待爬的网页地址都存下来，以待后续从中取出
		targetUrlList=StringUtil.linkURL(BASE_URL, links);
		page.addTargetRequests(targetUrlList);
		Seeds seed = new Seeds();
		// 获取名称
		String name = page.getHtml().xpath("//ul[@id='filelist']//li/span/@title").toString();
		if (name==null||"".equals(name)||service.isExistByName(name)) {//名称为空，则跳过;已存在(true),则跳过
			page.setSkip(true);
			count++;
			LOG.info("skip the "+count+" ,title : "+name);
			return;
		}
		page.putField("name", name);
		seed.setSeedName(name);
		// 获取hash值(无hash值，默认为null)
//		String hash = page.getHtml().xpath("//p[@class='dd desc']//b[2]/text()").toString();
		page.putField("hash", null);
		seed.setSeedHash(null);
		// 描述(没有描述信息,则默认为名称)
//		String desc = page.getHtml().xpath("//div[@class='dd filelist']/p/text()").toString();
		page.putField("desc", name);
		seed.setSeedDes(name);
		// 文件个数
		String number = page.getHtml().xpath("//ul[@class='params-cover']/li[4]/div[@class='value']/text()").toString();
		page.putField("number", number);
		seed.setNumber(number);
		// 文件大小
		String size = page.getHtml().xpath("//ul[@class='params-cover']/li[5]/div[@class='value']/text()").toString();
		page.putField("size", size);
		seed.setSize(size);
		// 获取收录时间
		String includeDate = page.getHtml().xpath("//ul[@class='params-cover']/li[2]/div[@class='value']/text()").toString();
		page.putField("includeDate", includeDate);
		seed.setIncludeTime(includeDate);
		//最近下载时间
		String recentlyDown = page.getHtml().xpath("//ul[@class='params-cover']/li[3]/div[@class='value']/text()").toString();
		page.putField("recentlyDown", recentlyDown);
		seed.setRecentlyDown(recentlyDown);
		// 人气
		String popularity = page.getHtml().xpath("//ul[@class='params-cover']/li[6]/div[@class='value']/text()").toString();
		page.putField("popularity", popularity);
		seed.setPopularity(popularity);
		// 下载速度
//		String speed = page.getHtml().xpath("//p[@class='dd desc']//b[7]/text()").toString();
		page.putField("speed", SpiderUtil.getSpeed(popularity));
		seed.setSpeed(SpiderUtil.getSpeed(popularity));
		// 获取磁力链接
		String magnet = page.getHtml().xpath("//ul[@class='params-cover']/li[9]/div[@class='value']/a/@href").toString();
		page.putField("magnet", magnet);
		seed.setMagnet(magnet);
		// 标签(在详情页面没有tag，暂时以热门搜索为tag)
		List<String> tags = page.getHtml().xpath("//div[@class='block oh']/a/span/text()").all();
		page.putField("tags", tags);
		seed.setTag(tags.toString());
		seed.setCreateTime(new Date());
		seed.setUpdateTime(new Date());
		seed.setSource(netSite);
		seed.setCategory("movies");
		//保存到数据库
		service.insert(seed);
	}

3. 其它部分编写

例子用到的其他部分代码，如MVC，数据库操作等，不是本章节的重点，所以不一一介绍了

5. 成果展示

基于webmagic的种子网站爬取

代码地址如下：
http://www.demodashi.com/demo/12175.html

注：本文著作权归作者，由demo大师代发，拒绝转载，转载需要作者授权