webmagic 爬取網頁所有文章的標題時間作者和內容

来源:https://www.cnblogs.com/tk55/archive/2018/03/25/8646016.html
-Advertisement-
Play Games

package com.ij34; import us.codecraft.webmagic.Site; import us.codecraft.webmagic.Page; import us.codecraft.webmagic.Spider; import us.codecraft.webma... ...


package com.ij34;

import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.FilePipeline;
import us.codecraft.webmagic.processor.PageProcessor;

import java.util.List;

public class HuxiuTest implements PageProcessor {
    @Override
    public void process(Page page) {
        List<String> requests = page.getHtml().links().regex(".*article.*").all();
         page.addTargetRequests(requests);
         page.putField("標題",page.getHtml().xpath("//div[@class='wrap-left pull-left']//h1/text()"));
         page.putField("作者", page.getHtml().xpath("//div[@class='article-author']//a/text()"));
         page.putField("時間", page.getHtml().xpath("//div[@class='column-link-box']/span[1]//text()"));
         page.putField("內容",page.getHtml().xpath("//div[@class='article-content-wrap']"));

    }
    @Override
    public Site getSite() {
        return Site.me().setDomain("www.huxiu.com");
    }

    public static void main(String[] args) {
        Spider.create(new HuxiuTest()).addUrl("https://www.huxiu.com/")
       .addPipeline(new FilePipeline("D:\\webmagic\\data\\"))
        .run();
    }

}

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 一.java.util.logging.Logger簡介 java.util.logging.Logger不是什麼新鮮東西了,1.4就有了,可是因為log4j的存在,這個logger一直沉默著, 其實在一些測試性的代碼中,jdk自帶的logger比log4j更方便。 二.Logger的級別 比log ...
  • c++中自帶了一些非常強大卻鮮為人知的功能庫—pd_ds庫 裡面含有紅黑樹(rb_tree),哈希表(gp_hash_table),可持久化平衡樹(rope)等超強數據結構 但是有一件非常令人頭痛的事情—頭文件太長了!根本背不過! 不過前些日子看到一位大佬的代碼 他引用了這樣一個頭文件 不查不知道, ...
  • 八、課程詳情頁功能的實現 8.1.課程列表 (1)配置urls MxOnline/urls中 course裡面新建urls.py 把course-list.html拷貝到templates目錄下 (2)course-list.html繼承base.html 修改title,修改bread裡面,con ...
  • 由於前端資源緊缺,我的後端系統遲遲等不來它的前端,沒辦法只好自己來寫了。從html,js入門學起,然後照著vue.js的官方教程寫了幾個實例,從github上clone了一個不錯的vue.js模版,填充了一個星期。雖然界面有些醜,但是總算是走通了全部的業務,期間被跨域,跳轉,cookie等問題折磨得 ...
  • 一.dom4j的簡介 dom4j是一個Java的XML API,是jdom的升級品,用來讀寫XML文件的。dom4j是一個十分優秀的JavaXML API,具有性能優異、功能強大和極其易使用的特點,它的性能超過sun公司官方的dom技術,同時它也是一個開放源代碼的軟體,可以在SourceForge上 ...
  • 本文實例講述了jQuery實現購物車計算價格功能的簡易方法,做的比較簡單,現分享給大家供大家參考。具體如下: 目的: 1 <%@ page language="java" contentType="text/html; charset=utf-8" 2 pageEncoding="utf-8"%> ...
  • L1-013. 計算階乘和 時間限制 400 ms 記憶體限制 65536 kB 代碼長度限制 8000 B 判題程式 Standard 作者 陳越 時間限制 400 ms 時間限制 400 ms 記憶體限制 65536 kB 記憶體限制 65536 kB 代碼長度限制 8000 B 代碼長度限制 800 ...
  • 1 學習計劃 1、定區關聯客戶 n 完善CRM服務中的客戶查詢方法 n 在BOS項目中配置代理對象遠程調用crm服務 n 調整定區關聯客戶頁面 n 實現定區關聯客戶 2、查看定區中包含的分區 n 頁面調整 n 服務端實現 3、查看定區關聯的客戶列表數據 n 頁面調整 n 服務端通過代理對象遠程調用C ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...