java爬蟲Gecco工具抓取新聞實例

最近看到Gecoo爬蟲工具，感覺比較簡單好用，所有寫個DEMO測試一下，抓取網站
http://zj.zjol.com.cn/home.html，主要抓取新聞的標題和發佈時間做為抓取測試對象。抓取HTML節點通過像Jquery選擇器一樣選擇節點，非常方便，Gecco代碼主要利用註解實現來實現URL匹配，看起來比較簡潔美觀。

添加Maven依賴

<dependency> <groupId>com.geccocrawler</groupId> <artifactId>gecco</artifactId> <version>1.0.8</version></dependency>

編寫抓取列表頁面

@Gecco(matchUrl = "http://zj.zjol.com.cn/home.html?pageIndex={pageIndex}&pageSize={pageSize}",pipelines = "zJNewsListPipelines")public class ZJNewsGeccoList implements HtmlBean { @Request private HttpRequest request; @RequestParameter private int pageIndex; @RequestParameter private int pageSize; @HtmlField(cssPath = "#content > div > div > div.con_index > div.r.main_mod > div > ul > li > dl > dt > a") private List<HrefBean> newList;}

 @PipelineName("zJNewsListPipelines")public class ZJNewsListPipelines implements Pipeline<ZJNewsGeccoList> { public void process(ZJNewsGeccoList zjNewsGeccoList) { HttpRequest request=zjNewsGeccoList.getRequest(); for (HrefBean bean:zjNewsGeccoList.getNewList()){ //進入祥情頁面抓取SchedulerContext.into(request.subRequest("http://zj.zjol.com.cn"+bean.getUrl())); } int page=zjNewsGeccoList.getPageIndex()+1; String nextUrl = "http://zj.zjol.com.cn/home.html?pageIndex="+page+"&pageSize=100"; //抓取下一頁SchedulerContext.into(request.subRequest(nextUrl)); }}

編寫抓取祥情頁面

@Gecco(matchUrl = "http://zj.zjol.com.cn/news/[code].html" ,pipelines = "zjNewsDetailPipeline")public class ZJNewsDetail implements HtmlBean { @Text @HtmlField(cssPath = "#headline") private String title ; @Text @HtmlField(cssPath = "#content > div > div.news_con > div.news-content > div:nth-child(1) > div > p.go-left.post-time.c-gray") private String createTime;}

 @PipelineName("zjNewsDetailPipeline")public class ZJNewsDetailPipeline implements Pipeline<ZJNewsDetail> { public void process(ZJNewsDetail zjNewsDetail) { System.out.println(zjNewsDetail.getTitle()+" "+zjNewsDetail.getCreateTime()); }}

啟動主函數

public class Main { public static void main(String [] rags){ GeccoEngine.create() //工程的包路徑.classpath("com.zhaochao.gecco.zj") //開始抓取的頁面地址.start("http://zj.zjol.com.cn/home.html?pageIndex=1&pageSize=100") //開啟幾個爬蟲線程.thread(10) //單個爬蟲每次抓取完一個請求後的間隔時間.interval(10) //使用pc端userAgent .mobile(false) //開始運行.run(); }}

抓取結果

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持武林網。