爬虫 测试webmagic (一)

标签：

目标：统计斗鱼(www.douyu.com)人数

思路：

1. 目录找到douyu播出的所有游戏 http://www.douyutv.com/directory

2. 借助 chrome 定位到每个游戏的目录页面，正则表达式为 /directory/game/\\w+

　 比如对于LOL来说，找到 href=/directory/game/LOL

3. 进入到游戏目录后，借助 chrome 得到 xpath， 定位到各个主播的人数

    比如某个主播的观众数 //*[@id="item_data"]/ul/li[2]/a/div[1]/p/span[1]

    推出人数的位置规律为 //*[@id="item_data"]/ul/li[number]/a/div[1]/p/span[1]

4. code 如下

public class DouyuViewerStat implements PageProcessor {

    private Site site = Site.me().setDomain("http://www.douyutv.com/")
            .addStartUrl("http://www.douyutv.com/directory");

    @Override
    public void process(Page page) {
//        System.out.println(page);
        List<String> links = page.getHtml().links().regex("/directory/game/\\w+").all();

        for(String link: links) {
            page.addTargetRequest("http://www.douyutv.com"+link);
        }

//        System.out.println(links);
        page.putField("userName", page.getHtml().xpath("//*[@id=\"item_data\"]/ul/li[1]/a/div[1]/h1"));
        page.putField("viewerNumber", page.getHtml().xpath("//*[@id=\"item_data\"]/ul/li[1]/a/div[1]/p/span[1]"));
    }

    @Override
    public Site getSite() {
        return site;
    }

    public static void main(String args[]) {
        Spider.create(new DouyuViewerStat())
                .addPipeline(new ConsolePipeline())
                .run();
    }
}

爬虫 测试webmagic (一)

标签：

原文地址：http://www.cnblogs.com/xinsheng/p/4491556.html