java爬虫抓取网页数据( JAVA爬虫Gecco工具抓取新闻实例，具有一定的参考价值工具)

　　java爬虫抓取网页数据(

JAVA爬虫Gecco工具抓取新闻实例，具有一定的参考价值工具)

　　Java爬虫Gecco工具抓取新闻实例

　　更新时间：2016年10月28日11:11:19 作者：赵霞客

　　本文文章主要介绍JAVA爬虫Gecco工具抓取新闻实例，有一定参考价值，感兴趣的朋友可以参考。

　　最近看到了Gecoo爬虫工具，感觉比较简单好用，所以写了个DEMO来测试一下，抓取一下网站

　　，主要抓取新闻的标题和发布时间作为爬取测试对象。抓取 HTML 节点可以非常方便地像 Jquery 选择器一样选择节点。 Gecco代码主要是通过注解来实现URL匹配，看起来简单漂亮。

　　添加Maven依赖

　　

com.geccocrawler

gecco

1.0.8

　　编写抓取列表页面

　　

@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 newList;

}

　　

@PipelineName("zJNewsListPipelines")

public class ZJNewsListPipelines implements Pipeline {

public void process(ZJNewsGeccoList zjNewsGeccoList) {

HttpRequest request=zjNewsGeccoList.getRequest();

for (HrefBean bean:zjNewsGeccoList.getNewList()){

//进入祥情页面抓取

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";

//抓取下一页

SchedulerContext.into(request.subRequest(nextUrl));

}

}

　　撰写并拍摄吉祥爱情页

　　

@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 {

public void process(ZJNewsDetail zjNewsDetail) {

System.out.println(zjNewsDetail.getTitle()+" "+zjNewsDetail.getCreateTime());

}

}

　　启动主函数

　　

public class Main {

public static void main(String [] rags){

GeccoEngine.create()

//工程的包路径

.classpath("com.zhaochao.gecco.zj")

//开始抓取的页面地址

.start("http://zj.zjol.com.cn/home.html?pageIndex=1&pageSize=100")

//开启几个爬虫线程

.thread(10)

//单个爬虫每次抓取完一个请求后的间隔时间

.interval(10)

//使用pc端userAgent

.mobile(false)

//开始运行

.run();

}

}

　　获取结果

　　

　　

　　以上是本文的全部内容。希望对大家的学习有所帮助，也希望大家多多支持Scripthome。