package com.virjar.dungproxy.client.samples.webmagic.soso;
import java.io.IOException;
import com.virjar.dungproxy.client.ippool.config.ProxyConstant;
import com.virjar.dungproxy.client.util.ReflectUtil;
import org.apache.http.impl.client.CloseableHttpClient;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import com.virjar.dungproxy.client.webmagic.DungProxyDownloader;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.downloader.HttpClientDownloader;
import us.codecraft.webmagic.processor.PageProcessor;
/**
* Created by virjar on 17/1/14.<br/>
* 360搜索的爬虫,是https的链接
*
*/
public class WebMagicTest implements PageProcessor {
private static Site site = Site.me()// .setHttpProxy(new HttpHost("127.0.0.1",8888))
.setRetryTimes(3) // 就我的经验,这个重试一般用处不大
.setTimeOut(30000)// 在使用代理的情况下,这个需要设置,可以考虑调大线程数目
.setSleepTime(0)// 使用代理了之后,代理会通过切换IP来防止反扒。同时,使用代理本身qps降低了,所以这个可以小一些
.setCycleRetryTimes(3)// 这个重试会换IP重试,是setRetryTimes的上一层的重试,不要怕三次重试解决一切问题。。
.setUseGzip(true);// 注意调整超时时间
public WebMagicTest() throws IOException {
}
public static void main(String[] args) throws IOException {
ProxyConstant.CLIENT_CONFIG_FILE_NAME ="proxyclient_soso.properties";//加载360的配置
Spider.create(new WebMagicTest()).setDownloader(new DungProxyDownloader()).thread(50)
.addUrl("https://www.so.com/s?q=%E8%8C%89%E8%8E%89&pn=9")
.addUrl("https://www.so.com/s?q=%E6%A0%80%E5%AD%90%E8%8A%B1&pn=9")
//.addUrl("https://www.so.com/s?q=%E6%A0%80%E5%AD%90%E8%8A%B1%E4%BB%80%E4%B9%88%E6%97%B6%E5%80%99%E5%BC%80&src=related_b&psid=28c3e715ecee86edbeea8aa97b2a2e28&eci=a9364e20c02845b2&nlpv=rel_b##more")
.start();
}
@Override
public void process(Page page) {
Elements a = page.getHtml().getDocument().getElementsByTag("a");
for (Element el : a) {
String href = el.absUrl("href");
if (needAddToTarget(href)) {
page.addTargetRequest(href);
}
}
}
private boolean needAddToTarget(String url) {
if (url.endsWith(".png") || url.endsWith(".jpg") || url.endsWith(".gif")) {
return false;
}
return url.contains("www.so.com");
}
@Override
public Site getSite() {
return site;
}
}