为大家推荐一款非常好用的java写的垂直爬虫webmagic,力挺

package youling.studio;


import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.ConsolePipeline;
import us.codecraft.webmagic.pipeline.JsonFilePipeline;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.processor.example.GithubRepoPageProcessor;


public class MyPageProcessor  implements PageProcessor {


    // 部分一：抓取网站的相关配置，包括编码、抓取间隔、重试次数等
    private Site site = Site.me().setRetryTimes(3).setSleepTime(1000);


    // process是定制爬虫逻辑的核心接口，在这里编写抽取逻辑
    @Override
    public void process(Page page) {
        // 部分二：定义如何抽取页面信息，并保存下来
    //  <h1>
//        <span class="link_title"><a href="/u010670689/article/details/41576647">
//        启动hive metastore命令
//        </a></span>
//    </h1>
    //csdn文章标题的html代码
        page.putField("title", page.getHtml().xpath("//h1/span[@class=‘link_title‘]/a/text()").toString());
        if (page.getResultItems().get("title") == null) {
            //skip this page
            page.setSkip(true);
        }


        // 部分三：从页面发现后续的url地址来抓取
        //  <span class="link_title"><a href="/u010670689/article/details/41704239">
//        webmagic总体介绍
//        </a></span>
        page.addTargetRequests(page.getHtml().links().regex("(/u010670689/article/details/(\\w+))").all());
    }


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


    public static void main(String[] args) {
        Spider.create(new MyPageProcessor())
                //从"https://github.com/code4craft"开始抓
                .addUrl("http://blog.csdn.net/u010670689?viewmode=contents")
                //保存到json文件里
                .addPipeline(new ConsolePipeline())
                //开启5个线程抓取
                .thread(1)
                //启动爬虫
                .run();
    }
}