webporter

webporter 是一个基于垂直爬虫框架 webmagic 的 Java 爬虫应用，旨在提供一套完整的数据爬取，持久化存储和可视化展示的实践样例。

webporter 寓意“我们不生产数据，我们只是互联网的搬运工～”

如果觉得不错，请先在这个仓库上点个 star 吧，这也是对我的肯定和鼓励，谢谢了。

目前只提供了知乎用户数据的爬虫示例。不定时进行调整和补充，需要关注更新的请 watch、star、fork

webporter 的主要特色：

基于国产 Java 爬虫框架 webmagic，是众多 Python 爬虫中的一股清流
完全模块化的设计，强大的可扩展性
核心简单，但是涵盖爬虫应用的完整流程，是爬虫应用的实践样例
使用 JSON 配置，无需改动源码
支持多线程
支持向 Elasticsearch 批量导入

注意：webporter 不是爬虫框架，而是如何使用爬虫框架进行实战的样例，偏休闲性质，不建议使用在生产环境。 生产环境建议使用 webmagic 或者 scrapy

webporter 核心模块的架构和设计主要参考了 webmagic https://github.com/code4craft/webmagic

webporter 的 github 地址：https://github.com/brianway/webporter

效果展示

详细的数据分析文章请看我的博客《爬取知乎60万用户信息之后的简单分析》

下载数据：去重导入 Elasticsearch 后大概有 60+ 万用户数据(目前没有遇到反爬限制)

示例分析：通过聚合得到知乎用户 top 10 行业分布情况(1:男，0:女，-1:未知)

仓库目录

webporter-core:核心基础模块，包括自动配置，抽象逻辑等部分
webporter-data-elasticsearch:将数据导入 Elasticsearch 的工具模块
webporter-collector-zhihu:知乎用户信息的业务模块，完成爬取和持久化存储的功能

环境要求

JDK 1.8+
Maven 3.3+
Elasticsearch 5.0.1
Kibana 5.0.1

新手可参考我的博客《Elasticsearch 5.0-安装使用》快速上手 Elasticsearch+Kibana

快速开始

以爬取知乎用户数据为例

1.定制配置文件

配置文件位于 webporter-collector-zhihu/src/main/resources/config.json, 示例：

{
  "site": {
    "domain": "www.zhihu.com",
    "headers": {
      "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36",
      "authorization": "Your own authorization here."
    },
    "retryTimes": 3,
    "sleepTime": 500
  },
  "base_dir": "/Users/brian/todo/data/zhihu/"
}

仅需要修改两处：authorization 和 base_dir 即可

authorization: 需要知乎账户在已登录状态下自行在浏览器抓包提取该 HTTP 响应头。若有疑问请参考 issue 3
base_dir: 为保存数据文件的根目录，需具有写权限

配完就可以直接使用了。更多关于 site 的属性配置请参考 WebMagic in Action - Site Config

2.启动爬虫

依次运行 webporter-collector-zhihu 模块的下面两个类的 main 方法即可。(注意：由于这两个阶段是串行的,不要同时启动这两个类)

ZhihuFolloweePageProcessor:该类用于从知乎下载用户信息，下载的数据可以复制粘贴在在线 json 格式化工具中查看
FolloweeUploader:该类用于将用户信息上传到 Elasticsearch (需要提前安装并运行 Elasticsearch)，知乎数据的 index 名称为 zhihu

3.可视化

安装好 Elasticsearch 和 Kibana 后，在 Kibana 中使用 Visualize 对数据可视化即可