Elves
一个轻量级的爬虫框架设计与实现，博文分析。
特性
- 事件驱动
- 易于定制
- 多线程执行
CSS选择器和XPath支持
Maven 坐标
<dependency>
<groupId>io.github.biezhi</groupId>
<artifactId>elves</artifactId>
<version>0.0.2</version>
</dependency>如果你想在本地运行这个项目源码，请确保你是 Java8 环境并且安装了 lombok 插件。
架构图
调用流程图
快速上手
搭建一个爬虫程序需要进行这么几步操作
- 编写一个爬虫类继承自
Spider - 设置要抓取的 URL 列表
- 实现
Spider的parse方法 - 添加
Pipeline处理parse过滤后的数据
举个栗子:
public class DoubanSpider extends Spider {
public DoubanSpider(String name) {
super(name);
this.startUrls(
"https://movie.douban.com/tag/爱情",
"https://movie.douban.com/tag/喜剧",
"https://movie.douban.com/tag/动画",
"https://movie.douban.com/tag/动作",
"https://movie.douban.com/tag/史诗",
"https://movie.douban.com/tag/犯罪");
}
@Override
public void onStart(Config config) {
this.addPipeline((Pipeline<List<String>>) (item, request) -> log.info("保存到文件: {}", item));
}
public Result parse(Response response) {
Result<List<String>> result = new Result<>();
Elements elements = response.body().css("#content table .pl2 a");
List<String> titles = elements.stream().map(Element::text).collect(Collectors.toList());
result.setItem(titles);
// 获取下一页 URL
Elements nextEl = response.body().css("#content > div > div.article > div.paginator > span.next > a");
if (null != nextEl && nextEl.size() > 0) {
String nextPageUrl = nextEl.get(0).attr("href");
Request nextReq = this.makeRequest(nextPageUrl, this::parse);
result.addRequest(nextReq);
}
return result;
}
}
public static void main(String[] args) {
DoubanSpider doubanSpider = new DoubanSpider("豆瓣电影");
Elves.me(doubanSpider, Config.me()).start();
}