java爬虫框架webmagic包含什么组件
这篇文章主要介绍了java爬虫框架webmagic包含什么组件,具有一定借鉴价值,感兴趣的朋友可以参考下,希望大家阅读完这篇文章之后大有收获,下面让小编带着大家一起了解一下。
成都创新互联主营合阳网站建设的网络公司,主营网站建设方案,app软件开发,合阳h5小程序制作搭建,合阳网站营销推广欢迎合阳等地区企业咨询
Java的优点是什么
1. 简单,只需理解基本的概念,就可以编写适合于各种情况的应用程序;2. 面向对象;3. 分布性,Java是面向网络的语言;4. 鲁棒性,java提供自动垃圾收集来进行内存管理,防止程序员在管理内存时容易产生的错误。;5. 安全性,用于网络、分布环境下的Java必须防止病毒的入侵。6. 体系结构中立,只要安装了Java运行时系统,就可在任意处理器上运行。7. 可移植性,Java可以方便地移植到网络上的不同机器。8.解释执行,Java解释器直接对Java字节码进行解释执行。
在java爬虫中,Spider是一个大的容器,也是java爬虫框架webmagic的核心。java爬虫框架webmagic有四个组件,这四个组件它也是由通过Spider启动和管理。本文介绍java爬虫中支撑WebMagic框架运行的四个组件:PageProcessor、Scheduler、Downloader和Pipeline。
一、WebMagic框架
WebMagic是一个开源的Java爬虫框架,目标是简化爬虫的开发流程,让开发者专注于逻辑功能的开发。
WebMagic框架的核心非常简单,但是覆盖爬虫的整个流程,也是很好的学习爬虫开发的材料。
二、WebMagic框架组件
包含四个组件:PageProcessor、Scheduler、Downloader和Pipeline。
四大组件由Spider将它们彼此组织起来,让它们可以互相交互,流程化的执行。
1、PageProcessor
对应爬虫生命周期中的处理功能,负责解析页面,抽取有用信息,以及发现新的链接。需要自己定义。
注意:对于每个站点每个页面都不一样,是需要使用者定制的部分。
2、Scheduler
这四大组件对应爬虫生命周期中的管理功能,负责管理待抓取的URL,以及一些去重的工作。
注意:除非项目有一些特殊的分布式需求,否则一般无需自己定制Scheduler。
3、Pipeline
对应爬虫生命周期中的持久化功能,负责抽取结果的处理,包括计算、持久化到文件、数据库等。
注意:对于一类需求一般只需编写一个Pipeline。
4、Downloader
对应爬虫生命周期中的下载功能,负责从互联网上下载页面,以便后续处理。
注意:一般无需自己实现。
感谢你能够认真阅读完这篇文章,希望小编分享的“java爬虫框架webmagic包含什么组件”这篇文章对大家有帮助,同时也希望大家多多支持创新互联,关注创新互联行业资讯频道,更多相关知识等着你来学习!
分享题目:java爬虫框架webmagic包含什么组件
当前链接:http://myzitong.com/article/pidpoi.html