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
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)
- 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
- 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
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": 10
},
"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 3base_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:该类用户将用户信息上传到 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
- 数据爬取，获取知乎用户数据
- 数据持久化，将数据导入到 Elasticsearch 中
- 可视化展示，通过前端框架对数据进行简单的分析和展示
- 使用 Java 8 新特性完善代码
- Dockerize 这个仓库，方便用户直接使用
Email: [email protected]
Lisenced under Apache 2.0 lisence