Webmagic控制爬取深度

最近搞畢業設計，使用到了webmagic，但是才開始學習，對各個元件都還不是很熟悉。相信初學者都會遇到乙個問題，那就是：必須要讓所有url都處理完，才能結束整個爬蟲過程嗎？

一開始，我用的是非常簡單的方法，如下：

int pagecnt = 0;
public static int limit = 10000;     //最多爬取1e4個介面，雖然pagecnt不準確
@override
public void process(page page) 
pagecnt++;
}

這樣看似可以，但是實際上有缺陷，就是pagecnt約束性不強，可能是多執行緒的原因，即使pagecnt大於limit了，還是會執行，我也不知道為啥，但是，一般最終處理的頁面數是limit的10倍，所以，這個limit還是能限制爬蟲提前結束的，就是粗糙了一點，不到萬不得已，還是別用這個方法。

（後來看到了可以使用atomicinteger解決多執行緒下i++問題，但是我試了一下，還是不行，另外這個pagecnt每次訪問乙個網頁會+10，挺有規律的）

下面是換一種思路的解決方法：

這兩篇文章算是非常有啟發的

addtargetrequest是將乙個request加入了佇列裡面，這樣下次就能取到這個request，那麼我們只需要對request進行判斷，只有在一定條件才能push進去就行了，request物件是有乙個extra的，它可以設定資料，然後還可以取出來。

這裡我們找到原始碼中的最關鍵函式，它是將request加入佇列的地方（在queuescheduler.class filecachequeuescheduler.class 這樣的類裡面）：

protected void pushwhennoduplicate(request request, task task) 
this.queue.add(request);
this.fileurlwriter.println(request.geturl());
}

最後貼上我修改的**

int startdepth = 1; //這是自己新增的變數，表示層數
int levellimit = 4;     //從最開始的網頁最大的深度
protected void pushwhennoduplicate(request request, task task) 
else
int currentdepth = (int) request.getextra("depth");   //獲取當前的深度
if ( currentdepth > this.levellimit )
}this.queue.add(request);
this.fileurlwriter.println(request.geturl());
}

當然，在process方法裡面也要有修改，就是一開始獲取request的深度，加1就是子節點的深度

int newdepth = (int)page.getrequest().getextra("depth")+1;  //通過該介面的深度，推算出子介面的深度
mapnewmap = new hashmap();
newmap.put("depth",newdepth);
for ( selectable selectable:alist )
}

以上就是控制深度的方法，寫的很簡略。

Webmagic控制爬取深度

使用webmagic爬取csdn使用者個性簽名

CrawlSpider深度爬取

控制流程，爬取豆瓣電影資訊

Webmagic控制爬取深度

使用webmagic爬取csdn使用者個性簽名

CrawlSpider深度爬取

控制流程，爬取豆瓣電影資訊

相關推薦