Url2IOElastic:第三方的 URL2io Java SDK,用于网页正文提取

2016-12-26 09:36:18来源:作者:Github人点击

Url2IOElastic 是一个第三方的 URL2io java SDK,用于网页正文提取。

URL2io 官网文档

http://www.url2io.com/docs

Url2IOBase 库 仅支持将爬取到的标题和内容写入文件,且文件所在的目录是项目的根目录,它不支持其他任何操作,如保存到数据库等。

Url2IOElastic 库 则是采用了插件机制,可以自定义类对结果进行自定义处理,如保存到数据库、上传到服务器等。

#1 简介

项目使用建造者模式,有7个属性可以定制,其中的 token 和 beginUrl 这2个属性是必须指定值的,其余参数是可选的。各个参数的介绍如下:

index : 索引,标识当前爬取到第多少页,在控制台打印信息的时候会使用,此外也会传递到 BaseResultHandleThread 类里,该属性的默认值为1 total : 指定共需要爬取多少页的数据,该属性的默认值为10 token : 必须要设置,到官网 url2io 注册帐号就可以拿到 token beginUrl : 开始爬取的第一个网页的 url,必须要设置! sleepTime : 我也不知道 url2io 的抗压能力怎么样,不过爬一页休息2秒也没什么关系吧,该属性的默认值为2秒 setExtraProcessor : 把标题、正文内容和时间爬出来了,但是可能包含一些我们不想要的字符,这时候就可以通过额外的处理,将那些多余的字符去掉,默认不做任何处理 addResultHandleThread : 爬取数据的最终目的是为我所用,通过自定义类继承 BaseResultHandleThread 即可实现数据的自定义处理,可以添加多个,默认不做任何处理 #2 用法 引入 jar 包( jar 包需要去release 界面下载,当然也可以自行打包) 创建一个 Url2IOElasticCore.Builder 实例,并按需给各个属性赋值 调用 Url2IOElasticCore.Builder 的 build() 方法构造一个 Url2IOElasticCore 实例 调用其 Url2IOElasticCore 实例的 article() 方法。

示例代码:

// step 1Url2IOElasticCore.Builder builder = new Url2IOElasticCore.Builder() .token("4BNmeuIYRduW6S6p_J8hlw") .beginUrl("http://www.ybdu.com/xiaoshuo/13/13308/5819124.html") .index(1) .total(3) .sleepTime(1000L);// setExtraProcessor 和 addResultHandleThread 属性未指定值// step 2Url2IOElasticCore elasticCore = builder.build();// step 3elasticCore.article(); 现对 setExtraProcessor 和 addResultHandleThread 属性做详细说明:

① setExtraProcessor

通过自定义一个类,继承 BaseExtraProcessor ,并按需重载它的 processTitle(String title) 、 processContent(String content) 、 processDate(String date) 这3个方法来实现对爬取到的正文标题、正文内容和时间进行额外的处理,比如去掉一些多余的字符等等。

② addResultHandleThread

通过自定义一个类,继承 BaseResultHandleThread , BaseResultHandleThread 是一个继承自 Thread 的类,继承它就可用自动继承 一个 int 类型的 index 属性和一个 Url2IOResponse 类型的 data 对象,index 属性标识了 data 数据是哪一个 index 对应的数据, Url2IOResponse 类型是 url2io 服务器返回的 json 字符串对应的 model ,所有需要的数据都可用在里面找到。

代码内使用 ArrayList 来承载 BaseResultHandleThread 的 Class 类型,这意味着你可以添加多个 BaseResultHandleThread 的子类,他们的 run 方法都会被执行。例如你既可以将结果写入本地文件,还可以保存到数据库,还可以保存到第三方服务器,等等。

#3 视频

传送门(待填坑) >>>

#4 Over

欢迎提 issue,提 PR。

微信扫一扫

第七城市微信公众平台