文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

java爬虫框架webmagic包含什么组件

2023-06-14 17:23

关注

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。

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编程网,关注编程网行业资讯频道,更多相关知识等着你来学习!

阅读原文内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     813人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     354人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     318人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     435人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     224人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯