CSDN爬虫（二）——博客列表分页爬虫+数据表设计

墨蓝 2022-06-07 13:53 171阅读 0赞

## CSDN爬虫（二）——博客列表分页爬虫+数据库设计 ##

### 说明 ###

*  开发环境：jdk1.7+myeclipse10.7+win74bit+mysql5.5+webmagic0.5.2+jsoup1.7.2
 *  爬虫框架：webMagic
 *  建议：建议首先阅读webMagic的文档，再查看此系列文章，便于理解，快速学习：[http://webmagic.io/][http_webmagic.io]
 *  开发所需jar下载（不包括数据库操作相关jar包）：[点我下载][Link 1]
 *  该系列文章会省略webMagic文档已经讲解过的相关知识。

### 博客列表爬虫核心代码预览 ###

package com.wgyscsf.spider;
    
        import java.util.List;
    
        import us.codecraft.webmagic.Page;
        import us.codecraft.webmagic.Site;
        import us.codecraft.webmagic.Spider;
        import us.codecraft.webmagic.selector.Html;
        import us.codecraft.webmagic.selector.Selectable;
    
        import com.wgyscsf.utils.MyStringUtils;
    
        /**
         * @author wgyscsf</n> 编写日期 2016-9-24下午7:25:36</n> 邮箱 wgyscsf@163.com</n> 博客
         *         http://blog.csdn.net/wgyscsf</n> TODO</n>
         */
        public class CsdnBlogListSpider extends BaseSpider {
            private Site site = Site
                    .me()
                    .setDomain("blog.csdn.net")
                    .setSleepTime(300)
                    .setUserAgent(
                            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_2) AppleWebKit/537.31 (KHTML, like Gecko) Chrome/26.0.1410.65 Safari/537.31");
    
            @Override
            public void process(Page page) {
                // 列表页： 这里进行匹配，匹配出列表页进行相关处理。在列表页我们获取必要信息。对于全文、评论、顶、踩在文章详情中。
                if ((page.getUrl()).regex(
                        "^http://blog.csdn.net/\\w+/article/list/[0-9]*[1-9][0-9]*$")
                        .match()) {
                    // 遍历出页码：遍历出div[@class=\"pagelist\"]节点下的所有超链接，该链接下是页码链接。将其加入到爬虫队列。【核心代码】
                    page.addTargetRequests(page
                            .getHtml()
                            .xpath("//div[@class=\"list_item_new\"]//div[@class=\"pagelist\"]")
                            .links().all());
                    // 作者
                    Selectable links = page.getHtml()
                            .xpath("//div[@class=\"header\"]//div[@id=\"blog_title\"]")
                            .links();
                    String blogUrl = links.get();
                    String id_author = MyStringUtils.getLastSlantContent(blogUrl);
                    id_author = id_author != null ? id_author : "获取作者id失败";
                    // System.out.println(TAG + author);
                    // 获取列表最外层节点的所有子节点。经过分析可以知道子节点有3个，“置顶文章”列表和“普通文章列表”和分页div。
                    List<String> out_div = page.getHtml()
                            .xpath("//div[@class=\"list_item_new\"]/div").all();
    
                    // 判断是否存在置顶文章：如何div的个数为3说明存在置顶文章，否则不存在置顶文章。
                    if (out_div.size() == 3) {
                        // 存在
                        processTopArticle(out_div.get(0), id_author);
                        processCommArticle(out_div.get(1), id_author);
                    } else if (out_div.size() == 2) {
                        // 不存在
                        processCommArticle(out_div.get(0), id_author);
                    } else {
                        System.err.println(TAG + ":逻辑出错");
                    }
    
                } else if (page.getUrl()
                        .regex("http://blog.csdn.net/\\w+/article/details/\\w+")
                        .match()) {
                    // 这里的逻辑还没处理，主要是为了获取全文、标签、顶、踩、评论等在列表页获取不到的数据
                }
            }
    
            /**
             * 处理普通文章列表
             */
            private void processCommArticle(String str, String id_author) {
                // 从列表页获取列表信息
                List<String> all;
                all = new Html(str).xpath("//div[@id=\"article_list\"]/div").all();
                if (!all.isEmpty())
                    for (String string : all) {
                        // 这里开始获取具体内容
    
                        // 单项第一部分：article_title
                        // 文章地址
                        String detailsUrl = new Html(string)
                                .xpath("//div[@class='article_title']//span[@class='link_title']//a/@href")
                                .toString();
                        // 文章id
                        String id_blog = MyStringUtils.getLastSlantContent(detailsUrl);
                        // 文章标头
                        String title = new Html(string)
                                .xpath("//div[@class='article_title']//span[@class='link_title']//a/text()")
                                .toString();
                        // 文章类型
                        String type = getArticleType(string);
                        // 单项第二部分：article_description
                        String summary = new Html(string).xpath(
                                "//div[@class='article_description']//text()")
                                .toString();
                        // 单项第三部分：article_manage
                        String publishDateTime = new Html(string)
                                .xpath("//div[@class='article_manage']//span[@class='link_postdate']//text()")
                                .toString();
                        // 阅读量
                        String viewNums = new Html(string)
                                .xpath("//div[@class='article_manage']//span[@class='link_view']//text()")
                                .toString();
                        viewNums = MyStringUtils.getStringPureNumber(viewNums);
                        // 评论数
                        String commentNums = new Html(string)
                                .xpath("//div[@class='article_manage']//span[@class='link_comments']//text()")
                                .toString();
                        commentNums = MyStringUtils.getStringPureNumber(commentNums);
                        // 开始组织数据
                        System.out.println(TAG + ":,文章id：" + id_blog + ",文章标头：" + title
                                + ",文章类型('0':原创；'1'：转载；'2'：翻译):" + type + ",发表日期："
                                + publishDateTime + ",阅读量:" + viewNums + ",评论数："
                                + commentNums + ",文章地址：" + detailsUrl + ",文章摘要："
                                + summary + "");
    
                    }
    
            }
    
            /**
             * 处理置顶文章列表
             */
            private void processTopArticle(String topListDiv, String id_author) {
                // 从列表页获取列表信息
                List<String> all;
                all = new Html(topListDiv).xpath("//div[@id=\"article_toplist\"]/div")
                        .all();
                if (!all.isEmpty())
                    for (String string : all) {
                        // 单项第一部分：article_title
                        // 文章地址
                        String detailsUrl = new Html(string)
                                .xpath("//div[@class='article_title']//span[@class='link_title']//a/@href")
                                .toString();
                        // 文章id
                        String id_blog = MyStringUtils.getLastSlantContent(detailsUrl);
                        // 文章标头
                        String title = new Html(string)
                                .xpath("//div[@class='article_title']//span[@class='link_title']//a/text()")
                                .toString();
                        // 文章类型
                        String type = getArticleType(string);
                        // 单项第二部分：article_description
                        String summary = new Html(string).xpath(
                                "//div[@class='article_description']//text()")
                                .toString();
                        // 单项第三部分：article_manage
                        String publishDateTime = new Html(string)
                                .xpath("//div[@class='article_manage']//span[@class='link_postdate']//text()")
                                .toString();
                        // 阅读量
                        String viewNums = new Html(string)
                                .xpath("//div[@class='article_manage']//span[@class='link_view']//text()")
                                .toString();
                        viewNums = MyStringUtils.getStringPureNumber(viewNums);
                        // 评论数
                        String commentNums = new Html(string)
                                .xpath("//div[@class='article_manage']//span[@class='link_comments']//text()")
                                .toString();
                        commentNums = MyStringUtils.getStringPureNumber(commentNums);
    
                        // 开始组织数据
                        System.out.println(TAG + ":,文章id：" + id_blog + ",文章标头：" + title
                                + ",文章类型('0':原创；'1'：转载；'2'：翻译):" + type + ",发表日期："
                                + publishDateTime + ",阅读量:" + viewNums + ",评论数："
                                + commentNums + ",文章地址：" + detailsUrl + ",文章摘要："
                                + summary + "");
    
                    }
            }
    
            /**
             * 获取文章类型
             */
            private String getArticleType(String string) {
                String type;
                type = new Html(string)
                        .xpath("//div[@class='article_title']//span[@class='ico ico_type_Original']//text()")
                        .get();// 原创类型
                if (type != null)
                    return 0 + "";
                type = new Html(string)
                        .xpath("//div[@class='article_title']//span[@class='ico ico_type_Repost']//text()")
                        .get();// 原创类型
                if (type != null)
                    return 1 + "";
                type = new Html(string)
                        .xpath("//div[@class='article_title']//span[@class='ico ico_type_Translated']//text()")
                        .get();// 原创类型
                if (type != null)
                    return 2 + "";
                return 3 + "";
            }
    
            @Override
            public Site getSite() {
                return site;
            }
    
            public static void main(String[] args) {
                Spider.create(new CsdnBlogListSpider())
                        .addPipeline(null)
                        .addUrl("http://blog.csdn.net/" + "wgyscsf" + "/"
                                + "article/list/1").run();
            }
    
        }
    
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
       30
       31
       32
       33
       34
       35
       36
       37
       38
       39
       40
       41
       42
       43
       44
       45
       46
       47
       48
       49
       50
       51
       52
       53
       54
       55
       56
       57
       58
       59
       60
       61
       62
       63
       64
       65
       66
       67
       68
       69
       70
       71
       72
       73
       74
       75
       76
       77
       78
       79
       80
       81
       82
       83
       84
       85
       86
       87
       88
       89
       90
       91
       92
       93
       94
       95
       96
       97
       98
       99
       100
       101
       102
       103
       104
       105
       106
       107
       108
       109
       110
       111
       112
       113
       114
       115
       116
       117
       118
       119
       120
       121
       122
       123
       124
       125
       126
       127
       128
       129
       130
       131
       132
       133
       134
       135
       136
       137
       138
       139
       140
       141
       142
       143
       144
       145
       146
       147
       148
       149
       150
       151
       152
       153
       154
       155
       156
       157
       158
       159
       160
       161
       162
       163
       164
       165
       166
       167
       168
       169
       170
       171
       172
       173
       174
       175
       176
       177
       178
       179
       180
       181
       182
       183
       184
       185
       186
       187
       188
       189
       190
       191
       192
       193
       194
       195
       196
       197
       198
       199
       200
       201
       202
       203
       204
       205
       206
       207
       208

### 关键代码解释 ###

*  `page.getUrl()).regex("^http://blog.csdn.net/\\w+/article/list/[0-9]*[1-9][0-9]*$").match()` ，每次正则表达式都是一个难点。这句话的意思是：`http://blog.csdn.net/用户id/article/list/页码`，这个网址包含两个可变字符串：用户id和页码，这个正则主要是为了匹配这个规则。如果是爬取单个用户就不用这个麻烦。但是，后期如果我们有很多用户id，这样写才能更加方便的去爬取任意用户。
 *  `page.addTargetRequests(page.getHtml().xpath("//div[@class=\"list_item_new\"]//div[@class=\"pagelist\"]").links().all())`这句话是整个博客列表爬取的核心。它负责找到个页面下所有有效的列表链接，加入到爬虫队列，到爬虫队列，还会走上面所提到的正则进行匹配，加入到列表页的解析，是一个迭代的过程。当然，如果想要更加严谨，也可以做一个正则的匹配，比如我只抓取`div[@class=\"pagelist\"]`下符合页表页规则的链接。当然，这里是进行了分析，里面只包含有效链接，就没有再进行判断。页码所在的div如下：
    
        
        <div id="papelist" class="pagelist">
            <span> 49条  共4页</span>
            <a href="/wgyscsf/article/list/1">首页</a> 
            <a href="/wgyscsf/article/list/1">上一页</a> 
            <a href="/wgyscsf/article/list/1">1</a> 
            <strong>2</strong> 
            <a href="/wgyscsf/article/list/3">3</a> 
            <a href="/wgyscsf/article/list/4">4</a> 
            <a href="/wgyscsf/article/list/3">下一页</a> 
            <a href="/wgyscsf/article/list/4">尾页</a> 
        </div>
        
           
            
             1
             2
             3
             4
             5
             6
             7
             8
             9
             10
             11
             12
             13
 *  `page.getHtml().xpath("//div[@class=\"list_item_new\"]/div").all();`这里需要注意的是，需要判断返回List的个数，进而判断是否存在“置顶文章”。如果存在先处理“置顶文章”逻辑，再处理普通文章逻辑。经过分析可以知道子节点有3个，“置顶文章”列表div和“普通文章”列表div和分页div。
 *  `getArticleType(String string)`特别注意这个方法里面关于文章类型的处理，如何判断是何种类型的文章，可以尝试获取对应文章所处的div，如果返回不为null,即说明存在，否则不存在。大致如下：
    
        String type;
        type = new Html(string).xpath("//div[@class='article_title']//span[@class='ico ico_type_Original']//text()").get();// 原创类型
        if (type != null)
            return 0 + "";// 说明是原创
        
           
            
             1
             2
             3
             4
             5

### 数据库设计 ###

#### 设计原则 ####

*  全部字段允许为空，包括相关所属唯一id。另外新建一个id，随机生成UUID，作为主键。原因：因为爬虫可能会出现爬不到的数据，或者“脏数据”，所以尽可能使数据库不那么“严谨”，保证程序能够正常走下去。在表中新建一个id作为主键，这个可以保证在获取相应表id失败的情况下，仍然可以正常运行。
 *  每个表的所属id（不是新建的），比如作者id、文章id、个人id等可以标示一行数据的字段，全部加上【索引】。原因：后期需要保存大量用户以及文章数据，保存之前我们需要拿获取到表的id去查询数据库中是否存在，需要有一个查询的过程。查询是一个遍历的过程，加与不加【索引】对程序影响巨大。简单测试如下(不带索引与带索引的查询时间，数据量：80W)：   
    ![这里写图片描述][20161005124324618]   
    ![这里写图片描述][20161005124340502]
 *  尽可能加上所有直接相关的所有字段，不管现有爬虫技术是否能实现。并且，再加上必要的备用字段。原因：数据表修改麻烦，尽可能后期不要修改。不能直接过去的数据，可能会在其它模块获取，比如“博客详情”与“博客列表”之间的关系。
 *  不使用外键，原因：同第一条。
 *  主键不用自增的，而是采用手动生成。

#### 表结构 ####

![这里写图片描述][20161005124520489]

#### 建表语句 ####

*  在操作代码中附带

### 操作代码 ###

[点我下载][Link 2]

[http_webmagic.io]: http://webmagic.io/
[Link 1]: http://webmagic.qiniudn.com/all-dependencies-0.5.2.tar.gz
[20161005124324618]: /images/20220607/0f90bba55f6a48758879b15c01853c2f.png
[20161005124340502]: /images/20220607/777087cf70f444c8a20ef78eba830491.png
[20161005124520489]: /images/20220607/4d754002af7246ed93106ea03abf8746.png
[Link 2]: http://download.csdn.net/detail/wgyscsf/9645837