Elasticsearch系列(十)----使用webmagic爬取数据导入到ES

2024-06-17 05:38

本文主要是介绍Elasticsearch系列(十)----使用webmagic爬取数据导入到ES,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

webmagic主要有两个文件




一个是对爬取页面进行处理,一个是对页面处理之后的数据进行保存:


CSDNPageProcessor

package com.fendo.webmagic;import java.io.IOException;
import java.net.InetAddress;
import java.net.UnknownHostException;
import java.util.List;import com.fasterxml.jackson.core.JsonProcessingException;
import com.fasterxml.jackson.databind.ObjectMapper;import org.elasticsearch.action.index.IndexResponse;
import org.elasticsearch.client.transport.TransportClient;
import org.elasticsearch.common.settings.Settings;
import org.elasticsearch.common.transport.InetSocketTransportAddress;
import org.elasticsearch.transport.client.PreBuiltTransportClient;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.context.ApplicationContext;
import org.springframework.context.support.FileSystemXmlApplicationContext;import com.fendo.common.ClientFactory;
import com.fendo.common.CommonUtils;
import com.fendo.entity.CsdnBlog;import io.searchbox.client.JestClient;
import io.searchbox.client.JestResult;
import io.searchbox.indices.CreateIndex;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;/*** CSDN页面爬取* @author fendo**/
//@RunWith(SpringJUnit4ClassRunner.class)
//@WebAppConfiguration
//@ContextConfiguration(locations = {"classpath:applicationContext.xml"})
public class CSDNPageProcessor implements PageProcessor{@Autowiredprivate static JdbcPipeline jdbcPipeline;private static String username="u011781521";  // 设置csdn用户名  private static int size = 0;// 共抓取到的文章数量  private JestClient jestClient;// 抓取网站的相关配置,包括:编码、抓取间隔、重试次数等      private Site site = Site.me().setRetryTimes(3).setSleepTime(1000).setUserAgent("Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/43.0.2357.134 Safari/537.36");@Overridepublic Site getSite() {return site;}@Overridepublic void process(Page page) {// 列表页  if (!page.getUrl().regex("http://blog\\.csdn\\.net/" + username + "/article/details/\\d+").match()) {  // 添加所有文章页  page.addTargetRequests(page.getHtml().xpath("//div[@id='article_list']").links()// 限定文章列表获取区域  .regex("/" + username + "/article/details/\\d+")  .replace("/" + username + "/", "http://blog.csdn.net/" + username + "/")// 巧用替换给把相对url转换成绝对url  .all());  // 添加其他列表页  page.addTargetRequests(page.getHtml().xpath("//div[@id='papelist']").links()// 限定其他列表页获取区域  .regex("/" + username + "/article/list/\\d+")  .replace("/" + username + "/", "http://blog.csdn.net/" + username + "/")// 巧用替换给把相对url转换成绝对url  .all());  // 文章页  } else {  size++;// 文章数量加1  page.putField("key", Integer.parseInt(page.getUrl().regex("http://blog\\.csdn\\.net/" + username + "/article/details/(\\d+)").get()));page.putField("title", CommonUtils.replaceHTML(page.getHtml().xpath("//div[@class='article_title']//span[@class='link_title']/a/text()").get()));page.putField("content",CommonUtils.replaceHTML(page.getHtml().xpath("//div[@class='article_content']/allText()").get()));page.putField("dates",page.getHtml().xpath("//div[@class='article_r']/span[@class='link_postdate']/text()").get());System.out.println("+++++++++++++++date:"+page.getHtml().xpath("//div[@class='article_r']/span[@class='link_postdate']/text()").get());page.putField("tags",CommonUtils.replaceHTML(listToString(page.getHtml().xpath("//div[@class='article_l']/span[@class='link_categories']/a/allText()").all())));page.putField("category",CommonUtils.replaceHTML(listToString(page.getHtml().xpath("//div[@class='category_r']/label/span/text()").all())));page.putField("view", Integer.parseInt(page.getHtml().xpath("//div[@class='article_r']/span[@class='link_view']").regex("(\\d+)人阅读").get()));page.putField("comments",Integer.parseInt(page.getHtml().xpath("//div[@class='article_r']/span[@class='link_comments']").regex("\\((\\d+)\\)").get()));page.putField("copyright",page.getHtml().regex("bog_copyright").match() ? 1 : 0);page.putField("url", page.getUrl().get());//创建索引ObjectMapper mapper = new ObjectMapper();//创建clientTransportClient client;CsdnBlog csdnBlog = new CsdnBlog();csdnBlog.setId(size);csdnBlog.setTags((String)page.getResultItems().get("tags"));csdnBlog.setKeyes((Integer)page.getResultItems().get("key"));csdnBlog.setTitles((String)page.getResultItems().get("title"));csdnBlog.setDates((String)page.getResultItems().get("dates"));csdnBlog.setCategory((String)page.getResultItems().get("category"));csdnBlog.setViews((Integer)page.getResultItems().get("view"));csdnBlog.setComments((Integer)page.getResultItems().get("comments"));csdnBlog.setCopyright((Integer)page.getResultItems().get("copyright"));csdnBlog.setContent((String)page.getResultItems().get("content"));try {//设置集群名称Settings settings = Settings.builder().put("cluster.name", "my-application").build();// 集群名client = new PreBuiltTransportClient(settings).addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("127.0.0.1"), 9300));IndexResponse response = client.prepareIndex("csdnblog", "article").setSource(mapper.writeValueAsString(csdnBlog)).execute().actionGet();System.out.println(response.toString());} catch (Exception e) {e.printStackTrace();}// 把对象输出控制台  //System.out.println("获取的数据:"+page.toString()); }  }// 把list转换为string,用,分割  public static String listToString(List<String> stringList) {  if (stringList == null) {  return null;  }  StringBuilder result = new StringBuilder();  boolean flag = false;  for (String string : stringList) {  if (flag) {  result.append(",");  } else {  flag = true;  }  result.append(string);  }  return result.toString();  }  public static void main(String[] args) {  long startTime, endTime;  System.out.println("【爬虫开始】...");  startTime = System.currentTimeMillis();  //ApplicationContext applicationContext = new ClassPathXmlApplicationContext("applicationContext.xml");ApplicationContext applicationContext = new FileSystemXmlApplicationContext(  "classpath:applicationContext.xml");  JdbcPipeline jdbcPipeline=(JdbcPipeline)applicationContext.getBean("jdbcPipeline");System.out.println(jdbcPipeline.toString());Spider.create(new CSDNPageProcessor()).addUrl("http://blog.csdn.net/u011781521/article/list/1")//.addUrl("http://blog.csdn.net/u011781521/article/list/1").addPipeline(jdbcPipeline).thread(5).run();// 从用户博客首页开始抓,开启5个线程,启动爬虫  // Spider.create(new CsdnBlogPageProcessor()).addUrl("http://blog.csdn.net/" + username).thread(5).run();  endTime = System.currentTimeMillis();  System.out.println("【爬虫结束】共抓取" + size + "篇文章,耗时约" + ((endTime - startTime) / 1000) + "秒,已保存到数据库,请查收!");  }  
}


注意:


在上面的代码中,不但通过jdbcPipeline保存了数据,还通过TransportClient 往ES中保存了数据!!


JdbcPipeline

package com.fendo.webmagic;import java.util.Map;import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;
import org.springframework.stereotype.Service;import com.fendo.entity.CsdnBlog;
import com.fendo.mapper.CsdnBlogMapper;import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;@Component("jdbcPipeline")
public class JdbcPipeline implements Pipeline{@AutowiredCsdnBlogMapper csdnBlogMapper;@Overridepublic void process(ResultItems resultItems, Task task) {Map<String,Object> items = resultItems.getAll();if(resultItems!=null&&resultItems.getAll().size()>0){CsdnBlog csdnBlog = new CsdnBlog();csdnBlog.setTags((String)items.get("tags"));csdnBlog.setKeyes((Integer)items.get("key"));csdnBlog.setTitles((String)items.get("title"));csdnBlog.setDates((String)items.get("dates"));csdnBlog.setCategory((String)items.get("category"));csdnBlog.setViews((Integer)items.get("view"));csdnBlog.setComments((Integer)items.get("comments"));csdnBlog.setCopyright((Integer)items.get("copyright"));csdnBlog.setContent((String)items.get("content"));System.out.println("-----------------------------------------------------------------------process:"+csdnBlog.toString());csdnBlogMapper.insert(csdnBlog);}}}


对应的数据库脚本:

CREATE TABLE `csdnblog` (`id` int(11) unsigned NOT NULL AUTO_INCREMENT,`keyes` int(11) unsigned NOT NULL,`titles` varchar(255) NOT NULL,`content` varchar(10240) NOT NULL,`dates` varchar(255) DEFAULT NULL,`tags` varchar(255) DEFAULT NULL,`category` varchar(255) DEFAULT NULL,`views` int(11) unsigned DEFAULT NULL,`comments` int(11) unsigned DEFAULT NULL,`copyright` int(20) unsigned DEFAULT NULL,`url` varchar(255) DEFAULT NULL,PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=3301 DEFAULT CHARSET=utf8;

完整项目: http://download.csdn.net/download/u011781521/9966717

这篇关于Elasticsearch系列(十)----使用webmagic爬取数据导入到ES的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1068606

相关文章

Spring Boot整合Redis注解实现增删改查功能(Redis注解使用)

《SpringBoot整合Redis注解实现增删改查功能(Redis注解使用)》文章介绍了如何使用SpringBoot整合Redis注解实现增删改查功能,包括配置、实体类、Repository、Se... 目录配置Redis连接定义实体类创建Repository接口增删改查操作示例插入数据查询数据删除数据更

使用python生成固定格式序号的方法详解

《使用python生成固定格式序号的方法详解》这篇文章主要为大家详细介绍了如何使用python生成固定格式序号,文中的示例代码讲解详细,具有一定的借鉴价值,有需要的小伙伴可以参考一下... 目录生成结果验证完整生成代码扩展说明1. 保存到文本文件2. 转换为jsON格式3. 处理特殊序号格式(如带圈数字)4

Java使用Swing生成一个最大公约数计算器

《Java使用Swing生成一个最大公约数计算器》这篇文章主要为大家详细介绍了Java使用Swing生成一个最大公约数计算器的相关知识,文中的示例代码讲解详细,感兴趣的小伙伴可以了解一下... 目录第一步:利用欧几里得算法计算最大公约数欧几里得算法的证明情形 1:b=0情形 2:b>0完成相关代码第二步:加

Java中流式并行操作parallelStream的原理和使用方法

《Java中流式并行操作parallelStream的原理和使用方法》本文详细介绍了Java中的并行流(parallelStream)的原理、正确使用方法以及在实际业务中的应用案例,并指出在使用并行流... 目录Java中流式并行操作parallelStream0. 问题的产生1. 什么是parallelS

Linux join命令的使用及说明

《Linuxjoin命令的使用及说明》`join`命令用于在Linux中按字段将两个文件进行连接,类似于SQL的JOIN,它需要两个文件按用于匹配的字段排序,并且第一个文件的换行符必须是LF,`jo... 目录一. 基本语法二. 数据准备三. 指定文件的连接key四.-a输出指定文件的所有行五.-o指定输出

Linux jq命令的使用解读

《Linuxjq命令的使用解读》jq是一个强大的命令行工具,用于处理JSON数据,它可以用来查看、过滤、修改、格式化JSON数据,通过使用各种选项和过滤器,可以实现复杂的JSON处理任务... 目录一. 简介二. 选项2.1.2.2-c2.3-r2.4-R三. 字段提取3.1 普通字段3.2 数组字段四.

Linux kill正在执行的后台任务 kill进程组使用详解

《Linuxkill正在执行的后台任务kill进程组使用详解》文章介绍了两个脚本的功能和区别,以及执行这些脚本时遇到的进程管理问题,通过查看进程树、使用`kill`命令和`lsof`命令,分析了子... 目录零. 用到的命令一. 待执行的脚本二. 执行含子进程的脚本,并kill2.1 进程查看2.2 遇到的

详解SpringBoot+Ehcache使用示例

《详解SpringBoot+Ehcache使用示例》本文介绍了SpringBoot中配置Ehcache、自定义get/set方式,并实际使用缓存的过程,文中通过示例代码介绍的非常详细,对大家的学习或者... 目录摘要概念内存与磁盘持久化存储:配置灵活性:编码示例引入依赖:配置ehcache.XML文件:配置

Java 虚拟线程的创建与使用深度解析

《Java虚拟线程的创建与使用深度解析》虚拟线程是Java19中以预览特性形式引入,Java21起正式发布的轻量级线程,本文给大家介绍Java虚拟线程的创建与使用,感兴趣的朋友一起看看吧... 目录一、虚拟线程简介1.1 什么是虚拟线程?1.2 为什么需要虚拟线程?二、虚拟线程与平台线程对比代码对比示例:三

k8s按需创建PV和使用PVC详解

《k8s按需创建PV和使用PVC详解》Kubernetes中,PV和PVC用于管理持久存储,StorageClass实现动态PV分配,PVC声明存储需求并绑定PV,通过kubectl验证状态,注意回收... 目录1.按需创建 PV(使用 StorageClass)创建 StorageClass2.创建 PV