爬虫学得好，牢饭吃得饱！！！切记！！！

相信大家多少都会接触过爬虫相关的需求吧，爬虫在绝大多数场景下，能够帮助客户自动的完成部分工作，极大的减少人工操作。目前更多的实现方案可能都是以python为实现基础，但是作为java程序员，咱们需要知道的是，以java 的方式，仍然可以很方便、快捷的实现爬虫。下面将会给大家介绍两种以java为基础的爬虫方案，同时提供案例供大家参考。

一、两种方案

传统的java实现爬虫方案，都是通过jsoup的方式，本文将采用一款封装好的框架【webmagic】进行实现。同时针对一些特殊的爬虫需求，将会采用【selenium-java】的进行实现，下面针对两种实现方案进行简单介绍和演示配置方式。

1.1 webmagic

官方文档：webmagic.io/

1.1.1 简介

使用webmagic开发爬虫，能够非常快速的实现简单且逻辑清晰的爬虫程序。

四大组件

• Downloader：下载页面
• PageProcessor：解析页面
• Scheduler：负责管理待抓取的URL，以及一些去重的工作。通常不需要自己定制。
• Pipeline：获取页面解析结果，数持久化。

Spider

• 启动爬虫，整合四大组件

1.1.2 整合springboot

webmagic分为核心包和扩展包两个部分，所以我们需要引入如下两个依赖：

<properties>
    <webmagic.version>0.7.5</webmagic.version>
</properties>

<!--WebMagic-->
<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-core</artifactId>
    <version>${webmagic.version}</version>
</dependency>
<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-extension</artifactId>
    <version>${webmagic.version}</version>
</dependency>

到此为止，我们就成功的将webmagic引入进来了，具体使用，将在后面的案例中详细介绍。

1.2 selenium-java

官网地址：www.selenium.dev/

1.2.1 简介

selenium是一款浏览器自动化工具，它能够模拟用户操作浏览器的交互。但前提是，我们需要在使用他的机器（windows/linux等）安装上它需要的配置。相比于webmigc的安装，它要繁琐的多了，但使用它的原因，就是为了解决一些webmagic做不到的事情。

支持多种语言：java、python、ruby、javascript等。其使用代码非常简单，以java为例如下：

package dev.selenium.hello;

import org.openqa.selenium.WebDriver;
import org.openqa.selenium.chrome.ChromeDriver;

public class HelloSelenium {
    public static void main(String[] args) {
        WebDriver driver = new ChromeDriver();

        driver.get("https://selenium.dev");

        driver.quit();
    }
}

1.2.2 安装

无论是在windows还是linux上使用selenium，都需要两个必要的组件：

• 浏览器（chrome）
• 浏览器驱动 （chromeDriver）

需要注意的是，要确保上述两者的版本保持一致。

下载地址

chromeDriver：chromedriver.storage.googleapis.com/index.html

windows

windows的安装相对简单一些，将chromeDriver.exe下载至电脑，chrome浏览器直接官网下载相应安装包即可。严格保证两者版本一致，否则会报错。

在后面的演示程序当中，只需要通过代码指定chromeDriver的路径即可。

linux

linux安装才是我们真正的使用场景，java程序通常是要部署在linux环境的。所以我们需要linux的环境下安装chrome和chromeDriver才能实现想要的功能。

首先要做的是判断我们的linux环境属于哪种系统，是ubuntu、centos还是其他的种类，相应的shell脚本都是不同的。

我们采用云原生的环境，所有的服务均以容器的方式部署，所以要在每一个服务端容器内部安装chrome和chromeDiver。我们使用的是Alpine Linux，一个轻量级linux发行版，非常适合用来做Docker镜像。

我们可以通过apk --help去查看相应的命令，我直接给出安装命令：

# Install Chrome for Selenium
RUN apk add gconf
RUN apk add chromium
RUN apk add chromium-chromedriver

上面的内容，可以放在DockerFile文件中，在部署的时候，会直接将相应组件安装在容器当中。

需要注意的是，在Alpine Linux中自带的浏览器是chromium和chromium-chromedriver，且版本相应较低，但是足够我们的需求所使用了。

/ # apk search chromium
chromium-68.0.3440.75-r0
chromium-chromedriver-68.0.3440.75-r0

1.2.3 整合springboot

我们只需要在爬虫模块引入依赖就好了：

<dependency>
    <groupId>org.seleniumhq.selenium</groupId>
    <artifactId>selenium-java</artifactId>
</dependency>

二、三个案例

下面通过三个简单的案例，给大家实际展示使用效果。

2.1 爬取省份街道

使用webmagic进行省份到街道的数据爬取。注意，本文只提供思路，不提供具体爬取网站信息，请同学们自己根据使用选择。

接下来搭建webmagic的架子，其中有几个关键点：

• 创建页面解析类，实现PageProcessor。

import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.processor.PageProcessor;

/**
 * 页面解析
 *
 * @author wjbgn
 * @date 2023/8/15 17:25
 **/
public class TestPageProcessor implements PageProcessor {
    @Override
    public void process(Page page) {

    }

    @Override
    public Site getSite() {
        return site;
    }
    
    /**
     * 初始化Site配置
     */
    private Site site = Site.me()
            // 重试次数
            .setRetryTimes(3)
            //编码
            .setCharset(StandardCharsets.UTF_8.name())
            // 超时时间
            .setTimeOut(10000)
            // 休眠时间
            .setSleepTime(1000);
    }

• 实现PageProcessor后，要重写其方法process(Page page)，此方法是我们实现爬取的核心（页面解析）。通常省市区代码分为6级，所以常见的网站均是按照层级区分，我们是从省份开始爬取，即从第三层开始爬取。

  • 初始化变量

  @Override
  public void process(Page page) {
      // 市级别
      Integer type = 3;
      // 初始化结果明细
      RegionCodeDTO regionCodeDTO = new RegionCodeDTO();
      // 带有父子关系的结果集合
      List<Map<String, Object>> list = new ArrayList();
      // 页面所有元素集合
      List<String> all = new ArrayList<>();
      // 页面中子页面的链接地址
      List<String> urlList = new ArrayList<>();
  }
  

  • 根据不同级别，获取相应页面不同的元素

  if (CollectionUtil.isEmpty(all)) {
      // 爬取所有的市,编号，名称
      all = page.getHtml().css("table.citytable").css("tr").css("a", "text").all();
      // 爬取所有的城市下级地址
      urlList = page.getHtml().css("table.citytable").css("tr").css("a", "href").all()
              .stream().distinct().collect(Collectors.toList());
      if (CollectionUtil.isEmpty(all)) {
          // 区县级别
          type = 4;
          all = page.getHtml().css("table.countytable").css("tr.countytr").css("td", "text").all();
          // 获取区
          all.addAll(page.getHtml().css("table.countytable").css("tr.countytr").css("a", "text").all());
  
          urlList = page.getHtml().css("table.countytable").css("tr").css("a", "href").all()
                  .stream().distinct().collect(Collectors.toList());
          if (CollectionUtil.isEmpty(all)) {
              // 街道级别
              type = 5;
              all = page.getHtml().css("table.towntable").css("tr").css("a", "text").all();
              urlList = page.getHtml().css("table.towntable").css("tr").css("a", "href").all()
                      .stream().distinct().collect(Collectors.toList());
              if (CollectionUtil.isEmpty(all)) {
                  // 村，委员会
                  type = 6;
                  List<String> village = new ArrayList<>();
                  all = page.getHtml().css("table").css("tr.villagetr").css("td", "text").all();
                  for (int i = 0; i < all.size(); i++) {
                      if (i % 3 != 1) {
                          village.add(all.get(i));
                      }
                  }
                  all = village;
              }
          }
      }
  }
  

  • 定义一个实体类RegionCodeDTO，用来存放临时获取的code，url以及父子关系等内容：

  public class RegionCodeDTO {
  
      private String code;
  
      private String parentCode;
  
      private String name;
  
      private Integer type;
  
      private String url;
  
      private List<RegionCodeDTO> regionCodeDTOS;
  }
  

  • 接下来对页面获取的内容（code、name、type）进行组装和临时存储，添加到children中：

  // 初始化子集
  List<RegionCodeDTO> children = new ArrayList<>();
  // 初始化临时节点数据
  RegionCodeDTO region = new RegionCodeDTO();
  // 解析页面结果集all当中的数据，组装到region 和 children当中
  for (int i = 0; i < all.size(); i++) {
      if (i % 2 == 0) {
          region.setCode(all.get(i));
      } else {
          region.setName(all.get(i));
      }
      if (StringUtils.isNotEmpty(region.getCode()) && StringUtils.isNotEmpty(region.getName())) {
          region.setType(type);
          // 添加子集到集合当中
          children.add(region);
          // 重新初始化
          region = new RegionCodeDTO();
      }
  }
  

  • 组装页面链接，并将页面链接组装到children当中。

  // 循环遍历页面元素获取的子页面链接
  for (int i = 0; i < urlList.size(); i++) {
      String url = null;
      if (StringUtils.isEmpty(urlList.get(0))) {
          continue;
      }
      // 拼接链接，页面的子链接是相对路径，需要手动拼接
      if (urlList.get(i).contains(provinceEnum.getCode() + "/")) {
          url = provinceEnum.getUrlPrefixNoCode();
      } else {
          url = provinceEnum.getUrlPrefix();
      }
      // 将链接放到临时数据子集对象中
      if (urlList.get(i).substring(urlList.get(i).lastIndexOf("/") + 1, urlList.get(i).indexOf(".html")).length() == 9) {
          children.get(i).setUrl(url + page.getUrl().toString().substring(page.getUrl().toString().indexOf(provinceEnum.getCode() + "/") + 3
                  , page.getUrl().toString().lastIndexOf("/")) + "/" + urlList.get(i));
      } else {
          children.get(i).setUrl(url + urlList.get(i));
      }
  }
  

  • 将children添加到结果对象当中

  // 将子集放到集合当中
  regionCodeDTO.setRegionCodeDTOS(children);
  

  • 在下面的代码当中将进行两件事儿：

    • 处理下一页，通过page的addTargetRequests方法，可以进行下一页的跳转，此方法参数可以是listString和String，即支持多个页面跳转和单个页面的跳转。

    • 将数据传递到Pipeline，用于数据的存储，Pipeline的实现将在后面具体说明。

  // 定义下一页集合
  List<String> nextPage = new ArrayList<>();
  // 遍历上面的结果子集内容
  regionCodeDTO.getRegionCodeDTOS().forEach(regionCodeDTO1 -> {
      // 组装下一页集合
      nextPage.add(regionCodeDTO1.getUrl());
      // 定义并组装结果数据
      Map<String, Object> map = new HashMap<>();
      map.put("regionCode", regionCodeDTO1.getCode());
      map.put("regionName", regionCodeDTO1.getName());
      map.put("regionType", regionCodeDTO1.getType());
      map.put("regionFullName", regionCodeDTO1.getName());
      map.put("regionLevel", regionCodeDTO1.getType());
      list.add(map);
      // 推送数据到pipeline
      page.putField("list", list);
  });
  // 添加下一页集合到page
  page.addTargetRequests(nextPage);
  

• 当本次process方法执行完后，将会根据传递过来的链接地址，再次执行process方法，根据前面定义的读取页面元素流程的代码，将不符合type=3的内容，所以将会进入到下一级4的爬取过程，5、6级别原理相同。

  

• 创建Pipeline，用于编写数据持久化过程。经过上面的逻辑，已经将所需内容全部获取到，接下来将通过pipline进行数据存储。首先定义pipeline，并实现其process方法，获取结果内容，具体存储数据的代码就不展示了，需要注意的是，此处pipeline没有通过spring容器托管，需要调用业务service需要使用SpringUtils进行获取：

  public class RegionDataPipeline implements Pipeline{
  
  
  @Override
  public void process(ResultItems resultItems, Task task) {
  // 获取service
  IXXXXXXXXXService service = SpringUtils.getBean(IXXXXXXXXXService.class);
  // 获取内容
  List<Map<String, String>> list = (List<Map<String, String>>) resultItems.getAll().get("list");
  // 解析数据，转换为对应实体类
  // service.saveBatch
  }
  

• 启动爬虫

  //启动爬虫
  Spider.create(new RegionCodePageProcessor(provinceEnum))
          .addUrl(provinceEnum.getUrl())
          .addPipeline(new RegionDataPipeline())
          //此处不能小于2
          .thread(2).start()
  

2.2 爬取网站静态图片

爬取图片是最常见的需求，我们通常爬取的网站都是静态的网站，即爬取的内容都在网页上面渲染完成的，我们可以直接通过获取页面元素进行抓取。

可以参考下面的文章，直接拉取网站上的图片：juejin.cn/post/705138…

针对获取到的图片网络地址，直接使用如下方式进行下载即可：

url = new URL(imageUrl);
//打开连接
HttpURLConnection conn = (HttpURLConnection) url.openConnection();
//设置请求方式为"GET"
conn.setRequestMethod("GET");
//超时响应时间为10秒
conn.setConnectTimeout(10 * 1000);
//通过输入流获取图片数据
InputStream is = conn.getInputStream();

2.3 爬取网站动态图片

在2.2中我们可以很快地爬取到对应的图片，但是在另外两种场景下，我们获取图片将会不适用上面的方式：

• 需要拼图，且多层的gis相关图片，此种图片将会在后期进行复杂的图片处理（按位置拼接瓦片，多层png图层叠加），才能获取到我们想要的效果。
• 动态js加载的图片，直接无法通过css、xpath获取。

所以在这种情况下我们可以使用开篇介绍的selenium-java来解决，本文使用的仅仅是截图的功能，来达到我们需要的效果。具体街区全屏代码如下所示：

public File getItems() {
    // 获取当前操作系统
    String os = System.getProperty("os.name");
    String path;
    if (os.toLowerCase().startsWith("win")) {
        //windows系统
        path = "driver/chromedriver.exe";
    } else {
        //linux系统
        path = "/usr/bin/chromedriver";
    }
    WebDriver driver = null;
    // 通过判断 title 内容等待搜索页面加载完毕，间隔秒
    try {
        System.setProperty("webdriver.chrome.driver", path);
        ChromeOptions chromeOptions = new ChromeOptions();
        chromeOptions.addArguments("--headless");
        chromeOptions.addArguments("--no-sandbox");
        chromeOptions.addArguments("--disable-gpu");
        chromeOptions.addArguments("--window-size=940,820");
        driver = new ChromeDriver(chromeOptions);
        // 截图网站地址
        driver.get(UsaRiverConstant.OBSERVATION_POINT_URL);
        // 休眠用于网站加载
        Thread.sleep(15000);
        // 截取全屏
        File screenshotAs = ((TakesScreenshot) driver).getScreenshotAs(OutputType.FILE);
        return screenshotAs;
    } catch (Exception e) {
        throw new RuntimeException(e);
    } finally {
        driver.quit();
    }
}

如上所示，我们获取的是整个页面的图片，还需要对截取的图片进行相应的剪裁，保留我们需要的区域，如下所示：

public static void cutImg(InputStream inputStream, int x, int y, int width, int height, OutputStream outputStream) {//图片路径，截取位置坐标,输出新突破路径
    InputStream fis = inputStream;
    try {
        BufferedImage image = ImageIO.read(fis);
        //切割图片
        BufferedImage subImage = image.getSubimage(x, y, width, height);
        Graphics2D graphics2D = subImage.createGraphics();
        graphics2D.drawImage(subImage, 0, 0, null);
        graphics2D.dispose();
        //输出图片
        ImageIO.write(subImage, "png", outputStream);
    } catch (IOException e) {
        e.printStackTrace();
    } finally {
        try {
            fis.close();
        } catch (IOException e) {
            throw new RuntimeException(e);
        }
    }
}

三、小结

通过如上两个组件的简单介绍，足够应付在java领域的大多数爬取场景。从页面数据、到静态网站图片，在到动态网站的图片截取。本文以提供思路为主，原理请参考相应的官方文档。

爬虫学得好，牢饭吃得饱！！！切记！！！