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