把玩爬虫框架Gecco

如果你现在接到一个任务，获取某某行业下的分类。

作为一个非该领域专家，没有深厚的运营经验功底，要提供一套摆的上台面且让人信服的行业分类，恐怕不那么简单。

找不到专家没有关系，我们可以爬虫。把那些专家的心血抽丝剥茧爬出来再统计即可。

确定好思路，我和即将要说的爬虫框架Gecco打了一天的交道。

Gecco简介

Gecco是一款用java语言开发的轻量化的易用的网络爬虫。Gecco整合了jsoup、httpclient、fastjson、spring、htmlunit、redission等优秀框架，让您只需要配置一些jquery风格的选择器就能很快的写出一个爬虫。Gecco框架有优秀的可扩展性，框架基于开闭原则进行设计，对修改关闭、对扩展开放。同时Gecco基于十分开放的MIT开源协议，无论你是使用者还是希望共同完善Gecco的开发者（摘自GitHub上的介绍）

主要特征

• 简单易用，使用jquery风格的选择器抽取元素

• 支持爬取规则的动态配置和加载

• 支持页面中的异步ajax请求

• 支持页面中的javascript变量抽取

• 利用Redis实现分布式抓取,参考gecco-redis

• 支持结合Spring开发业务逻辑,参考gecco-spring

• 支持htmlunit扩展,参考gecco-htmlunit

• 支持插件扩展机制

• 支持下载时UserAgent随机选取

• 支持下载代理服务器随机选取

GitHub：https://github.com/xtuhcy/gecco

中文参考手册：http://www.geccocrawler.com/

同时GitHub上也提供了使用Gecco的实例，用于抓取京东商城分类以及分类下的商品信息。看到例子的第一眼就发现Gecco特别适合抓取这种分类以及分类下详情列表的数据。

下面通过实例，边实战边说明Gecco的用法。

Gecco爬取分类数据

爬取思路

首先明确爬取的种子网站：http://news.iresearch.cn/

爬取区域如下图所示

种子网站.png

爬取思路：先选取最上面的“互联网+”分类，然后爬取下面的各个子分类（移动互联网+电子商务+互联网+网络销售+网络游戏），再爬取各个子分类下的所有文章，最后提取所有文章的文本信息（提取文本后需要使用IKanalyzer或ansj分词，然后进行词频统计，本篇不做详述）。

编写爬虫启动入口

我新建的是maven项目，所以要使用Gecco，第一步是添加maven依赖

<dependency>
    <groupId>com.geccocrawler</groupId>
    <artifactId>gecco</artifactId>
    <version>1.0.8</version></dependency>

然后编写一个main函数作为爬虫的入口

public class Main {

    public static void main(String[] rags) {
        System.out.println("=======start========");
        HttpGetRequest startUrl = new HttpGetRequest("http://news.iresearch.cn/");
        startUrl.setCharset("GBK");
        GeccoEngine.create()                //Gecco搜索的包路径
                .classpath("com.crawler.gecco")                //开始抓取的页面地址
                .start(startUrl)                //开启几个爬虫线程
                .thread(1)                //单个爬虫每次抓取完一个请求后的间隔时间
                .interval(2000)
                .run();
    }
}

• HttpGetRequest用于包裹种子网站，同时可以设置编码，这里设置的是“GBK”（一开始当时没有设置该参数时，爬出的文本都是乱码的）

• classpath是一个扫描路径，类似于Spring中的component-scan，用于扫描注解的类。这里主要用于扫描注解“@Gecco”所在的类。

解析获取所有子分类

package com.crawler.gecco;import com.geccocrawler.gecco.annotation.Gecco;import com.geccocrawler.gecco.annotation.HtmlField;import com.geccocrawler.gecco.annotation.Request;import com.geccocrawler.gecco.request.HttpRequest;import com.geccocrawler.gecco.spider.HtmlBean;import java.util.List;/**
 * Created by jackie on 18/1/15.
 */@Gecco(matchUrl="http://news.iresearch.cn/", pipelines={"consolePipeline", "allSortPipeline"})public class AllSort implements HtmlBean {    private static final long serialVersionUID = 665662335318691818L;    @Request
    private HttpRequest request;    // 移动互联网
    @HtmlField(cssPath="#tab-list > div:nth-child(1)")    private List<Category> mobileInternet;    // 电子商务
    @HtmlField(cssPath="#tab-list > div:nth-child(2)")    private List<Category> electric;    // 互联网
    @HtmlField(cssPath="#tab-list > div:nth-child(3)")    private List<Category> internet;    // 网络营销
    @HtmlField(cssPath="#tab-list > div:nth-child(4)")    private List<Category> netMarket;    // 网络游戏
    @HtmlField(cssPath="#tab-list > div:nth-child(5)")    private List<Category> netGame;    public List<Category> getMobileInternet() {        return mobileInternet;
    }    public void setMobileInternet(List<Category> mobileInternet) {        this.mobileInternet = mobileInternet;
    }    public List<Category> getElectric() {        return electric;
    }    public void setElectric(List<Category> electric) {        this.electric = electric;
    }    public List<Category> getInternet() {        return internet;
    }    public void setInternet(List<Category> internet) {        this.internet = internet;
    }    public List<Category> getNetMarket() {        return netMarket;
    }    public void setNetMarket(List<Category> netMarket) {        this.netMarket = netMarket;
    }    public List<Category> getNetGame() {        return netGame;
    }    public void setNetGame(List<Category> netGame) {        this.netGame = netGame;
    }    public HttpRequest getRequest() {        return request;
    }    public void setRequest(HttpRequest request) {        this.request = request;
    }
}

• 虽然代码很长，但是除去set和get方法，剩下的就是获取子分类标签的代码

• 注解@Gecco告知该爬虫匹配的url格式(matchUrl)和内容抽取后的bean处理类（pipelines处理类采用管道过滤器模式，可以定义多个处理类），这里matchUrl就是http://news.iresearch.cn/，意为从这个网址对应的页面中解析

• 这里pipelines参数可以添加多个管道处理类，意为下一步该执行哪些管道类，需要说明的是consolePipeline，是专门将过程信息输出到控制台的管道类，后面会说明

• 注解@HtmlField表示抽取html中的元素，cssPath采用类似jquery的css selector选取元素

举例说明，现在需要解析“移动互联网”分类下所有的列表并将列表结果包装为一个list，供后面进一步解析列表的具体内容

// 移动互联网@HtmlField(cssPath="#tab-list > div:nth-child(1)")private List<Category> mobileInternet;

这里cssPath是用于指定需要解析的目标元素的css位置。

如何获取这个区块的位置，先看页面

获取分类列表.png

我们要获取的是“移动互联网”下的所有列表，并将其包装为一个list集合。打开Chrome开发者工具，可以看到该列表模块被div标签包裹，只要定位到该模块的位置即可。

如果通过人肉的方式获取cssPath确实有点伤眼，所以我们可以使用Chrome自带的工具获取css路径，在上图箭头所在位置右键，按照如下图所示操作，粘贴即可得到cssPath

选择css路径.png

依次操作，可以获取其他四个分类的分类列表。

获取分类列表对应的url

通过上面的解析，我们得到了各个分类下的列表模块。通过Chrome开发者工具，我们可以发现每个列表项包含的信息很少，我们不应该直接抓取这些仅有的文本做分析，这样会漏掉很多文本信息。

列表标题.png

所以，我们应该先定位解析出所有的href超链接，即每个列表项对应的文章详情地址，然后解析文章详情的所有文本信息。

所以这里的Category类如下

package com.crawler.gecco;import com.geccocrawler.gecco.annotation.HtmlField;import com.geccocrawler.gecco.annotation.Text;import com.geccocrawler.gecco.spider.HrefBean;import com.geccocrawler.gecco.spider.HtmlBean;import java.util.List;/**
 * Created by jackie on 18/1/15.
 */public class Category implements HtmlBean {    private static final long serialVersionUID = 3018760488621382659L;    @Text
    @HtmlField(cssPath="dt a")    private String parentName;    @HtmlField(cssPath="ul li")    private List<HrefBean> categorys;    public String getParentName() {        return parentName;
    }    public void setParentName(String parentName) {        this.parentName = parentName;
    }    public List<HrefBean> getCategorys() {        return categorys;
    }    public void setCategorys(List<HrefBean> categorys) {        this.categorys = categorys;
    }
}

categorys即用于手机某个分类下所有列表对应的网址

下面实现AllSortPipeline类，用于收集所有分类下的url

package com.crawler.gecco;import com.geccocrawler.gecco.annotation.PipelineName;import com.geccocrawler.gecco.pipeline.Pipeline;import com.geccocrawler.gecco.request.HttpRequest;import com.geccocrawler.gecco.scheduler.SchedulerContext;import com.geccocrawler.gecco.spider.HrefBean;import java.util.ArrayList;import java.util.List;/**
 * Created by jackie on 18/1/15.
 */@PipelineName("allSortPipeline")public class AllSortPipeline implements Pipeline<AllSort> {    @Override
    public void process(AllSort allSort) {
        System.out.println("-=======-");
        List<Category> categorys = new ArrayList<Category>();
        categorys.addAll(allSort.getInternet());
        categorys.addAll(allSort.getElectric());
        categorys.addAll(allSort.getMobileInternet());
        categorys.addAll(allSort.getNetGame());
        categorys.addAll(allSort.getNetMarket());        for(Category category : categorys) {
            List<HrefBean> hrefs = category.getCategorys();            for(HrefBean href : hrefs) {
                System.out.println("title: " + href.getTitle() + " url: " + href.getUrl());
                String url = href.getUrl();
                HttpRequest currRequest = allSort.getRequest();
                SchedulerContext.into(currRequest.subRequest(url));
            }
        }
    }
}

• categorys集合用于添加所有分类下的列表

• 通过遍历的方式获取具体的url和每个url对应的title

• 将url信息存储到SchedulerContext上下文中，用于后面爬虫

到此为止，我们获取了所有的分类列表对应的url信息，并将url存储到上下文中，用于后续爬虫匹配。下面编写用于解析详情也的处理类。

解析文章详情

新建注解类ProductDetail，用于匹配上边得到的url

package com.crawler.gecco;import com.geccocrawler.gecco.annotation.*;import com.geccocrawler.gecco.spider.HtmlBean;/**
 * Created by jackie on 18/1/15.
 */@Gecco(matchUrl="http://news.iresearch.cn/content/{yeary}/{month}/{code}.shtml", pipelines={"consolePipeline", "productDetailPipeline"})public class ProductDetail implements HtmlBean {    private static final long serialVersionUID = -377053120283382723L;    /**
     * 文本内容
     *///    @Text
    @HtmlField(cssPath="body > div.g-content > div.g-bd.f-mt-auto > div > div.g-mn > div > div.g-article > div.m-article")    private String content;    @RequestParameter
    private String code;    @RequestParameter
    private String year;    @RequestParameter
    private String month;    /**
     * 标题
     */
    @Text
    @HtmlField(cssPath="body > div.g-content > div.g-main.f-mt-auto > div > div > div.title > h1")    private String title;    public String getContent() {        return content;
    }    public void setContent(String content) {        this.content = content;
    }    public String getCode() {        return code;
    }    public void setCode(String code) {        this.code = code;
    }    public String getTitle() {        return title;
    }    public void setTitle(String title) {        this.title = title;
    }    public String getYear() {        return year;
    }    public void setYear(String year) {        this.year = year;
    }    public String getMonth() {        return month;
    }    public void setMonth(String month) {        this.month = month;
    }
}

• matchUrl是每个文章的url格式，year、month和code是注入的参数

• 同理，我们定位到title所在的cssPath和 content所在的cssPath，用于解析得到具体的title和content值

下面实现ProductDetailPipeline类，用于解析每篇文章的文本信息，并通过正则抽取所有的中文文本存储到result.txt中

package com.crawler.gecco;import com.geccocrawler.gecco.annotation.*;import com.geccocrawler.gecco.pipeline.Pipeline;import java.io.File;import java.io.FileWriter;import java.io.IOException;/**
 * Created by jackie on 18/1/15.
 */@PipelineName("productDetailPipeline")public class ProductDetailPipeline  implements Pipeline<ProductDetail> {    @Override
    public void process(ProductDetail productDetail) {
        System.out.println("~~~~~~~~~productDetailPipeline~~~~~~~~~~~");
        File resultFile = new File("result.txt");        if (!resultFile.exists()) {            try {
                resultFile.createNewFile();
            } catch (IOException e) {
                System.out.println("create result file failed: " + e);
            }
        }

        FileWriter fileWriter = null;        try {
            fileWriter = new FileWriter("result.txt", true);
        } catch (IOException e) {
            System.out.println("IOException");
        }        try {
            fileWriter.write(RegrexUtil.match(productDetail.getContent()));
            fileWriter.flush();
        } catch (IOException e) {
            System.out.println("fileWriter.write failed: " + e);
        } finally {            try {
                fileWriter.close();
            } catch (IOException e) {
                System.out.println("fileWriter.close failed");
            }
        }
    }
}

至此，我们通过Gecco获取到了互联网行业各分类下的所有文章，并提取到所有的文本信息。

结果如下

爬虫结果.gif

项目地址：https://github.com/DMinerJackie/tour-project

如有问题，可以下方留言

作者：Jackie_Zheng
链接：https://www.jianshu.com/p/b7346a00ee4b