标签：
webmagic的是一个无须配置、便于二次开发的爬虫框架，它提供简单灵活的API，只需少量代码即可实现一个爬虫。
以下是爬取oschina博客的一段代码：
|
1
2
|
Spider.create(new SimplePageProcessor("http://my.oschina.net/","http://my.oschina.net/*/blog/*")).thread(5).run(); |
webmagic采用完全模块化的设计，功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久化)，支持多线程抓取，分布式抓取，并支持自动重试、自定义UA/cookie等功能。
webmagic包含强大的页面抽取功能，开发者可以便捷的使用css selector、xpath和正则表达式进行链接和内容的提取，支持多个选择器链式调用。例如：
|
1
2
|
String extractResult = Html.create(html).$("div.body").xpath("//a/@href").regex(".*blog.*").toString(); |
webmagic也可以很方便的作为一个模块，嵌入Java项目中运行。webmagic的使用可以参考：oschina openapi 应用：博客搬家
webmagic的使用文档：http://webmagic.io/docs/
webmagic的设计文档：webmagic的设计机制及原理-如何开发一个Java爬虫
标签：
原文地址：http://www.cnblogs.com/x113/p/4719823.html
