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": 500
  },
  "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 3
• base_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:该类用于将用户信息上传到 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

如果您觉得该项目对您有帮助，请扫描下方二维码对我进行鼓励，以便我更好的维护和更新，谢谢支持！

• 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

• Brian's Personal Website
• CSDN
• oschina

Email: [email protected]

Lisenced under Apache 2.0 lisence