Webharvest网络爬虫应用总结

铁布衫

浏览: 339039 次
性别:
来自: 北京

最近访客更多访客>>

menglei109

fxstiandi

zk11231002

weidashi

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

java
web前端

文章来源：http://www.blogjava.net/hankchen/archive/2009/09/22/296000.html

Web-Harvest是一个Java开源Web数据抽取工具。它能够收集指定的Web页面并从这些页面中提取有用的数据。其实现原理是，根据预先定义的配置文件用httpclient获取页面的全部内容（关于httpclient的内容，本博有些文章已介绍），然后运用XPath、XQuery、正则表达式等这些技术来实现对text/xml的内容筛选操作，选取精确的数据。前两年比较火的垂直搜索（比如：酷讯等）也是采用类似的原理实现的。Web-Harvest应用，关键就是理解和定义配置文件，其他的就是考虑怎么处理数据的Java代码。当然在爬虫开始前，也可以把Java变量填充到配置文件中，实现动态的配置。

（友情提示：本博文章欢迎转载，但请注明出处：陈新汉，http://www.blogjava.net/hankchen）

现在以爬取天涯论坛的所有版面信息为例，介绍Web-Harvest的用法，特别是其配置文件。

天涯的版块地图页面时：http://www.tianya.cn/bbs/index.shtml

[天涯的部分版面列表]

我们的目标就是要抓取全部的版块信息，包括版块之间的父子关系。

先查看版块地图的页面源代码，寻求规律：

<div class="backrgoundcolor">

<div class="bankuai_list">

       <h3>社会民生</h3>

       <ul>

              <li><a href="http://www.tianya.cn/publicforum/articleslist/0/free.shtml" id="item天涯杂谈">天涯杂谈</a></li>

              <li><a href="http://www.tianya.cn/publicforum/articleslist/0/worldlook.shtml" id="item国际观察">国际观察</a></li>

              <li><a href="http://www.tianya.cn/publicforum/articleslist/0/news.shtml" id="item天涯时空">天涯时空</a></li>

              <li><a href="http://www.tianya.cn/publicforum/articleslist/0/no06.shtml" id="item传媒江湖">传媒江湖</a></li>

              …… //省略

</ul>

</div>

<div class="clear"></div>

</div>

<div class="nobackrgoundcolor">

<div class="bankuai_list">

       <h3>文学读书</h3>

              <ul>

                     <li><a href="http://www.tianya.cn/techforum/articleslist/0/16.shtml" id="item莲蓬鬼话">莲蓬鬼话</a></li>

                     <li><a href="http://www.tianya.cn/publicforum/articleslist/0/no05.shtml" id="item煮酒论史">煮酒论史</a></li>

                     <li><a href="http://www.tianya.cn/publicforum/articleslist/0/culture.shtml" id="item舞文弄墨">舞文弄墨</a></li>

                     ……. //省略

              </ul>

</div>

<div class="clear"></div>

</div>

……. //省略

通过页面源码分析，发现每个大板块都是在<div class="bankuai_list"></div>的包括之下，而大板块下面的小版块都是下面的形式包含的。

<li><a href="xxx" id="xxx">xxx</a></li>，这些规律就是webharvest爬数据的规则。

下面先给出全部的配置：(tianya.xml)

<config charset="utf-8">

         <var-def name="start">

            <html-to-xml>

                   <http url="http://www.tianya.cn/bbs/index.shtml" charset="utf-8" />

            </html-to-xml>

         </var-def>

         <var-def name="ulList">

            <xpath expression="//div[@class='bankuai_list']">

                   <var name="start" />

            </xpath>

         </var-def>

        <file action="write" path="tianya/siteboards.xml" charset="utf-8">

               <![CDATA[ <site> ]]>

               <loop item="item" index="i">

                   <list><var name="ulList"/></list>

                   <body>

                       <xquery>

                           <xq-param name="item">

                            <var name="item"/>

                           </xq-param>

                           <xq-expression><![CDATA[

                                   declare variable $item as node() external;

                                   <board boardname="{normalize-space(data($item//h3/text()))}" boardurl="">

                                   {

                                         for $row in $item//li return

                                             <board boardname="{normalize-space(data($row//a/text()))}" boardurl="{normalize-space(data($row/a/@href))}" />

                                  }

                                  </board>

                           ]]></xq-expression>

                       </xquery>

                   </body>

               </loop>

               <![CDATA[ </site> ]]>

        </file>

</config>

这个配置文件分为三个部分：

1.      定义爬虫入口：

<var-def name="start">

   <html-to-xml>

        <http url="http://www.tianya.cn/bbs/index.shtml" charset="utf-8" />

      </html-to-xml>

   </var-def>

       爬虫的入口URL是：http://www.tianya.cn/bbs/index.shtml

       同时，指定了爬虫的爬数据的编码，这个编码应该根据具体的页面编码来定，例如上面的入口页面的编码就是utf-8。其实，有很多的中文页面的编码是gbk或者gb2312，那么这个地方的编码就要相应设置，否则会出现数据乱码。

2.      定义数据的过滤规则：

<var-def name="ulList">

    <xpath expression="//div[@class='bankuai_list']">

        <var name="start" />

       </xpath>

</var-def>

       上面配置就是根据XPath从爬得的数据中筛选合适的内容。这里需要得到所有的<div class="bankuai_list"></div>信息。有关XPath和XQuery的语法请网上查询。

3.      最后一步就是处理数据。可以写入XML文件，也可以使用SetContextVar的方式把收集的数据塞到一个集合变量中，供Java代码调用（比如：数据直接入库）。
这里是直接写入XML文件，然后解析XML即可。

注意下面的for循环，这是XQuery的语法，提供遍历的功能。由于大版面小版块是一个树状结构，需要这种遍历。

<board boardname="{normalize-space(data($item//h3/text()))}" boardurl="">

{

       for $row in $item//li return

<board boardname="{normalize-space(data($row//a/text()))}" boardurl="{normalize-space(data($row/a/@href))}" />

}

</board>

相关的Java代码如下：

/**

* Copyright(C):2009

* @author陈新汉

* Sep4,20093:24:58PM

*/

String configFile="tianya.xml";

ScraperConfiguration config = new ScraperConfiguration(configFile);

String targetFolder="c:\\chenxinhan";

Scraper scraper = new Scraper(config,targetFolder);

//设置爬虫代理

scraper.getHttpClientManager().setHttpProxy("218.56.64.210","8080");

scraper.setDebug(true);

scraper.execute();

上面代码执行完成后，收集的数据文件地址为：c:\chenxinhan\tianya\siteboards.xml

友情提示：本博文章欢迎转载，但请注明出处：陈新汉，http://www.blogjava.net/hankchen

分享到：

java @override 报错处理 | web-harvest中的xpath抽取规则配置实例

2013-03-01 15:42
浏览 1076
评论(0)
分类:编程语言
查看更多

发表评论

您还没有登录,请您登录后再发表评论

最近访客更多访客>>

博主相关

文章分类

社区版块

存档分类

最新评论