MagicToe

MagicToe是一个基于Java爬虫框架WebMagic的Java爬虫实战案例，MagicToe提供了从获取数据到数据持久化、可视化分析以及构建简单的代理池等一系列完整流程，旨在为初涉Java爬虫的程序员提供一个参考教程和一整套完整的解决方案。

仓库目录

• hupu-spider：爬虫功能实现模块，使用WebMagic + SpringBoot + MyBatis基础架构，NLP工具包是Ansj中文分词，定制抽取逻辑，将爬取的数据持久化到MySQL数据库中，本仓库中的代码示例爬取的是虎扑步行街。
• data-analysis：数据分析及可视化模块，使用Spring + SpringMVC + MyBatis的基础架构，数据可视化采用的前端技术是 jsp + Echarts。
• ip-spider（可选）：爬取代理网站模块，技术选型同hupu-spider，将代理网站上的免费代理地址爬取到本地数据库中，实现一个简单的IP池，以供hupu-spider作为代理使用。

QuickStart

爬虫模块环境准备：

• JDK 1.8+
• maven 4.0.0+
• webmagic 0.7.3+
• ansj_seg 5.1.1+
• springboot 1.5.7+
• mybatis 1.3.1+
• mysql 5.1.21+

运行爬虫： 以爬取虎扑步行街的帖子、用户和评论为例。

1. 初始化数据库 在本地MySQL中创建自己的schema，执行初始化数据库的脚本 hupu-spider/src/main/resources/db.sql ，并根据自己的数据库信息修改配置文件 hupu-spider/src/main/resources/application.yml 中的数据源信息。
2. 启动爬虫 hupuspider通过URL请求的方式运行，在浏览器中键入 localhost:8080/（默认端口为8080，如果遇到端口冲突，可以在配置文件 hupu-spider/src/main/resources/application.yml 中修改端口），爬虫即可开始运行了。
3. 运行数据可视化模块 将数据爬取到数据库中后，直接在Tomcat中运行data-analysis模块即可，通过在浏览器中输入不同的URL可以得到不同的图表，具体请查看 data-analysis/src/main/java/com/crow/web/EchartsController.java 。

效果展示

以虎扑用户的地域分布为例：

更多详细的分析请参考我的博客《数据不说谎：用网络爬虫探秘虎扑步行街》。

TODO

• 使用Redis分布式队列实现分布式爬取。
• 使用Quartz实现定时更新数据。

联系作者

• Personal Website：Crow Home
• 知乎：Martin Crow