使用java語(yǔ)言爬取自己的淘寶訂單看看買了哪些東西？

Java爬蟲框架WebMagic簡(jiǎn)介及使用

創(chuàng)新互聯(lián)技術(shù)團(tuán)隊(duì)十載來致力于為客戶提供成都網(wǎng)站建設(shè)、網(wǎng)站設(shè)計(jì)、品牌網(wǎng)站制作、全網(wǎng)整合營(yíng)銷推廣、搜索引擎SEO優(yōu)化等服務(wù)。經(jīng)過多年發(fā)展，公司擁有經(jīng)驗(yàn)豐富的技術(shù)團(tuán)隊(duì)，先后服務(wù)、推廣了成百上千家網(wǎng)站，包括各類中小企業(yè)、企事單位、高校等機(jī)構(gòu)單位。

一、介紹

webmagic的是一個(gè)無須配置、便于二次開發(fā)的爬蟲框架，它提供簡(jiǎn)單靈活的API，只需少量代碼即可實(shí)現(xiàn)一個(gè)爬蟲。webmagic采用完全模塊化的設(shè)計(jì)，功能覆蓋整個(gè)爬蟲的生命周期(鏈接提取、頁(yè)面下載、內(nèi)容抽取、持久化)，支持多線程抓取，分布式抓取，并支持自動(dòng)重試、自定義UA/cookie等功能。

二、概覽

WebMagic項(xiàng)目代碼分為核心和擴(kuò)展兩部分。核心部分(webmagic-core)是一個(gè)精簡(jiǎn)的、模塊化的爬蟲實(shí)現(xiàn)，而擴(kuò)展部分則包括一些便利的、實(shí)用性的功能（例如注解模式編寫爬蟲等）。

WebMagic的結(jié)構(gòu)分為Downloader、PageProcessor、Scheduler、Pipeline四大組件，并由Spider將它們彼此組織起來。這四大組件對(duì)應(yīng)爬蟲生命周期中的下載、處理、管理和持久化等功能。而Spider則將這幾個(gè)組件組織起來，讓它們可以互相交互，流程化的執(zhí)行，可以認(rèn)為Spider是一個(gè)大的容器，它也是WebMagic邏輯的核心。

2.1 WebMagic的四個(gè)組件

Downloader

Downloader負(fù)責(zé)從互聯(lián)網(wǎng)上下載頁(yè)面，以便后續(xù)處理。WebMagic默認(rèn)使用了Apache HttpClient作為下載工具。

PageProcessor

PageProcessor負(fù)責(zé)解析頁(yè)面，抽取有用信息，以及發(fā)現(xiàn)新的鏈接。WebMagic使用Jsoup作為HTML解析工具，并基于其開發(fā)了解析XPath的工具Xsoup。在這四個(gè)組件中，PageProcessor對(duì)于每個(gè)站點(diǎn)每個(gè)頁(yè)面都不一樣，是需要使用者定制的部分。

Scheduler

Scheduler負(fù)責(zé)管理待抓取的URL，以及一些去重的工作。WebMagic默認(rèn)提供了JDK的內(nèi)存隊(duì)列來管理URL，并用集合來進(jìn)行去重。也支持使用Redis進(jìn)行分布式管理。除非項(xiàng)目有一些特殊的分布式需求，否則無需自己定制Scheduler。

Pipeline

Pipeline負(fù)責(zé)抽取結(jié)果的處理，包括計(jì)算、持久化到文件、數(shù)據(jù)庫(kù)等。WebMagic默認(rèn)提供了“輸出到控制臺(tái)”和“保存到文件”兩種結(jié)果處理方案。Pipeline定義了結(jié)果保存的方式，如果你要保存到指定數(shù)據(jù)庫(kù)，則需要編寫對(duì)應(yīng)的Pipeline。對(duì)于一類需求一般只需編寫一個(gè)Pipeline。

2.2 用于數(shù)據(jù)流轉(zhuǎn)的對(duì)象

Request

Request是對(duì)URL地址的一層封裝，一個(gè)Request對(duì)應(yīng)一個(gè)URL地址。它是PageProcessor與Downloader交互的載體，也是PageProcessor控制Downloader唯一方式。

Page

Page代表了從Downloader下載到的一個(gè)頁(yè)面——可能是HTML，也可能是JSON或者其他文本格式的內(nèi)容。Page是WebMagic抽取過程的核心對(duì)象，它提供一些方法可供抽取、結(jié)果保存等。

ReusltItems

ReusltItems相當(dāng)于一個(gè)Map，它保存PageProcessor處理的結(jié)果，供Pipeline使用。它的API與Map很類似，值得注意的是它有一個(gè)字段skip，若設(shè)置為true，則不應(yīng)被Pipeline處理。

2.3 控制爬蟲運(yùn)轉(zhuǎn)的引擎—Spider

Spider是WebMagic內(nèi)部流程的核心。Downloader、PageProcessor、Scheduler、Pipeline都是Spider的一個(gè)屬性，這些屬性是可以自由設(shè)置的，通過設(shè)置這個(gè)屬性可以實(shí)現(xiàn)不同的功能。Spider也是WebMagic操作的入口，它封裝了爬蟲的創(chuàng)建、啟動(dòng)、停止、多線程等功能。

對(duì)于編寫一個(gè)爬蟲，PageProcessor是需要編寫的部分，而Spider則是創(chuàng)建和控制爬蟲的入口。

2.4 WebMagic項(xiàng)目組成

WebMagic項(xiàng)目代碼包括幾個(gè)部分，在根目錄下以不同目錄名分開。它們都是獨(dú)立的Maven項(xiàng)目。

WebMagic主要包括兩個(gè)包，這兩個(gè)包經(jīng)過廣泛實(shí)用，已經(jīng)比較成熟：

webmagic-core

webmagic-core是WebMagic核心部分，只包含爬蟲基本模塊和基本抽取器。

webmagic-extension

webmagic-extension是WebMagic的主要擴(kuò)展模塊，提供一些更方便的編寫爬蟲的工具。包括注解格式定義爬蟲、JSON、分布式等支持。

三、 基本的爬蟲

3.1 爬蟲的流程 (可以參考上邊的框架架構(gòu)圖)

Downloader-頁(yè)面下載

頁(yè)面下載是一切爬蟲的開始。

大部分爬蟲都是通過模擬http請(qǐng)求，接收并分析響應(yīng)來完成。這方面，JDK自帶的HttpURLConnection可以滿足最簡(jiǎn)單的需要，而Apache HttpClient(4.0后整合到HttpCompenent項(xiàng)目中)則是開發(fā)復(fù)雜爬蟲的不二之選。它支持自定義HTTP頭(對(duì)于爬蟲比較有用的就是User-agent、cookie等)、自動(dòng)redirect、連接復(fù)用、cookie保留、設(shè)置代理等諸多強(qiáng)大的功能。

webmagic使用了HttpClient 4.2，并封裝到了HttpClientDownloader。學(xué)習(xí)HttpClient的使用對(duì)于構(gòu)建高性能爬蟲是非常有幫助的，官方的Tutorial就是很好的學(xué)習(xí)資料。目前webmagic對(duì)HttpClient的使用仍在初步階段，不過對(duì)于一般抓取任務(wù)，已經(jīng)夠用了

PageProcessor-頁(yè)面分析及鏈接抽取

Selector是webmagic為了簡(jiǎn)化頁(yè)面抽取開發(fā)的獨(dú)立模塊，是整個(gè)項(xiàng)目中我最得意的部分。這里整合了CSS Selector、XPath和正則表達(dá)式，并可以進(jìn)行鏈?zhǔn)降某槿?，很容易就?shí)現(xiàn)強(qiáng)大的功能。即使你使用自己開發(fā)的爬蟲工具，webmagic的Selector仍然值得一試

Jsoup

HtmlParser

Apache tika

HtmlCleaner與Xpath

這里說的頁(yè)面分析主要指HTML頁(yè)面的分析。頁(yè)面分析可以說是垂直爬蟲最復(fù)雜的一部分，在webmagic里，PageProcessor是定制爬蟲的核心。通過編寫一個(gè)實(shí)現(xiàn)PageProcessor接口的類，就可以定制一個(gè)自己的爬蟲

HTML分析是一個(gè)比較復(fù)雜的工作，Java世界主要有幾款比較方便的分析工具：

webmagic的Selector

Scheduler-URL管理

URL管理的問題可大可小。對(duì)于小規(guī)模的抓取，URL管理是很簡(jiǎn)單的。我們只需要將待抓取URL和已抓取URL分開保存，并進(jìn)行去重即可。使用JDK內(nèi)置的集合類型Set、List或者Queue都可以滿足需要。如果我們要進(jìn)行多線程抓取，則可以選擇線程安全的容器，例如LinkedBlockingQueue以及ConcurrentHashMap。因?yàn)樾∫?guī)模的URL管理非常簡(jiǎn)單，很多框架都并不將其抽象為一個(gè)模塊，而是直接融入到代碼中。但是實(shí)際上，抽象出Scheduler模塊，會(huì)使得框架的解耦程度上升一個(gè)檔次，并非常容易進(jìn)行橫向擴(kuò)展，這也是我從scrapy中學(xué)到的。

Pipeline-離線處理和持久化

Pipeline其實(shí)也是容易被忽略的一部分。大家都知道持久化的重要性，但是很多框架都選擇直接在頁(yè)面抽取的時(shí)候?qū)⒊志没黄鹜瓿桑鏲rawer4j。但是Pipeline真正的好處是，將頁(yè)面的在線分析和離線處理拆分開來，可以在一些線程里進(jìn)行下載，另一些線程里進(jìn)行處理和持久化。

3.2 使用WebMagic爬取一個(gè)壁紙網(wǎng)站

首先引入WebMagic的依賴，webmagic-core-{version}.jar和webmagic-extension-{version}.jar。在項(xiàng)目中添加這兩個(gè)包的依賴，即可使用WebMagic。

maven中引入依賴jar包

dependency

groupIdus.codecraft/groupId

artifactIdwebmagic-core/artifactId

version0.5.3/version

/dependency

dependency

groupIdus.codecraft/groupId

artifactIdwebmagic-extension/artifactId

version0.5.3/version

/dependency1234567891012345678910

不使用maven的用戶，可以去中下載最新的jar包。

怎么用java調(diào)用淘寶開發(fā)平臺(tái)獲得淘寶的所有的類目，要詳細(xì)的接口

淘寶的API有些是開放的，我查了一下所有類目的API是收費(fèi)的，需要申請(qǐng)APIKey，然后調(diào)用對(duì)應(yīng)查詢接口，就能返回XML或JSON數(shù)據(jù)進(jìn)行自己的處理了。

如果真是開發(fā)需要，就可以買淘寶的服務(wù)啊。

調(diào)用很簡(jiǎn)單，比如taobao.itemcats.get 接口（獲取后臺(tái)供賣家發(fā)布商品的標(biāo)準(zhǔn)商品類目），如下Java代碼就返回結(jié)果了（前提是提供APIKey，需要申請(qǐng)審核）

TaobaoClient?client=new?DefaultTaobaoClient(url,?appkey,?secret);

ItemcatsGetRequest?req=new?ItemcatsGetRequest();

req.setFields("cid,parent_cid,name,is_parent");

req.setParentCid(50011999L);

req.setCids("18957,19562,");

ItemcatsGetResponse?response?=?client.execute(req);

另外，變通的方法是自己開發(fā)爬蟲，在淘寶頁(yè)面上抓取，但問題是得不到淘寶技術(shù)支持，比如淘寶改版后也得跟著改動(dòng)爬蟲代碼。

淘寶網(wǎng)是用什么編程語(yǔ)言編的，是javar還是c++

據(jù)我的了解,淘寶初期是用sun公司提供的一套代碼實(shí)現(xiàn)的也就是java,后期應(yīng)該主要是java和php來實(shí)現(xiàn)的,c++應(yīng)該不可能有,因?yàn)閏++不適合做網(wǎng)站,更適合做桌面應(yīng)用和大型游戲.

java怎么實(shí)現(xiàn)淘寶中用refresh_token來刷新access_token 請(qǐng)高手們貼上代碼 謝謝 在線等

哈哈，這個(gè)用JS就能實(shí)現(xiàn)，搞個(gè)類似定時(shí)器之類的東西，隔一會(huì)向服務(wù)器發(fā)個(gè)請(qǐng)求就行了，現(xiàn)在那些第三方瀏覽器不都有定時(shí)刷新的功能么。