WebMagic的结构分为Downloader、PageProcessor、Scheduler、Pipeline四大组件，并由Spider将它们彼此组织起来。这四大组件对应爬虫生命周期中的下载、处理、管理和持久化等功能。在这四个组件中我们需要做的就是在PageProcessor中写自己的业务逻辑，比如如何解析当前页面，抽取有用信息，以及发现新的链接。
下面是官方给出的架构图
Downloader负责从互联网上下载页面，以便后续处理。WebMagic默认使用了Apache HttpClient作为下载工具。
2.PageProcessorPageProcessor负责解析页面，抽取有用信息，以及发现新的链接。WebMagic使用Jsoup作为HTML解析工具，并基于其开发了解析XPath的工具Xsoup。
在这四个组件中，PageProcessor对于每个站点每个页面都不一样，是需要使用者定制的部分。
3.SchedulerScheduler负责管理待抓取的URL，以及一些去重的工作。WebMagic默认提供了JDK的内存队列来管理URL，并用集合来进行去重。也支持使用Redis进行分布式管理。
除非项目有一些特殊的分布式需求，否则无需自己定制Scheduler。
4.PipelinePipeline负责抽取结果的处理，包括计算、持久化到文件、数据库等。WebMagic默认提供了“输出到控制台”和“保存到文件”两种结果处理方案。
Pipeline定义了结果保存的方式，如果你要保存到指定数据库，则需要编写对应的Pipeline。对于一类需求一般只需编写一个Pipeline。
webmagic来爬取CSDN上某一个博主的文章信息
下面我们通过一个简单的例子来观察webmagic的使用方法以及执行流程。需求：输入作者的用户名，得到该作者文章总数（最简单的办法是直接从首页拿到，我们是爬到一篇文章记录一次），得到所有文章信息（文章名称，发布日期，阅读量，评论数.....）
首先加入webmagic依赖，然后写一个Processor就搞定了：修改不同的username可以爬取不同的作者。
public class CsdnBlogProcessor implements PageProcessor { private static String username = "yixiao1874";// 设置csdn用户名 private static int size = 0;// 共抓取到的文章数量 // 抓取网站的相关配置，包括：编码、抓取间隔、重试次数等 private Site site = Site.me().setRetryTimes(3).setSleepTime(1000); @Override public void process(Page page) { if (!page.getUrl().regex("http://blog.csdn.net/" + username + "/article/details/\d+").match()) { //获取当前页码 String number = page.getHtml().xpath("//li[@class='page-item active']//a[@class='page-link']/text()").toString(); //匹配当前页码+1的页码也就是下一页，加入爬取列表中 String targetUrls = page.getHtml().links() .regex("http://blog.csdn.net/"+username+"/article/list/"+(Integer.parseInt(number)+1)).get(); page.addTargetRequest(targetUrls); List<String> detailUrls = page.getHtml().xpath("//li[@class='blog-unit']//a/@href").all(); for(String list :detailUrls){ System.out.println(list); } page.addTargetRequests(detailUrls); }else { size++;// 文章数量加1 CsdnBlog csdnBlog = new CsdnBlog(); String path = page.getUrl().get(); int id = Integer.parseInt(path.substring(path.lastIndexOf("/")+1)); String title = page.getHtml().xpath("//h1[@class='csdn_top']/text()").get(); String date = page.getHtml().xpath("//div[@class='artical_tag']//span[@class='time']/text()").get(); String copyright = page.getHtml().xpath("//div[@class='artical_tag']//span[@class='original']/text()").get(); int view = Integer.parseInt(page.getHtml().xpath("//button[@class='btn-noborder']//span[@class='txt']/text()").get()); csdnBlog.id(id).title(title).date(date).copyright(copyright).view(view); System.out.println(csdnBlog); } } public Site getSite() { return site; } public static void main(String[] args) { // 从用户博客首页开始抓，开启5个线程，启动爬虫 Spider.create(new CsdnBlogProcessor()) .addUrl("http://blog.csdn.net/" + username) .thread(5).run(); System.out.println("文章总数为"+size); }}public class CsdnBlog { private int id;// 编号 private String title;// 标题 private String date;// 日期 private String category;// 分类 private int view;// 阅读人数 private int comments;// 评论人数 private String copyright;// 是否原创 public CsdnBlog id(int id){ this.id = id; return this; } public CsdnBlog date(String date){ this.date = date; return this; } public CsdnBlog title(String title){ this.title = title; return this; } public CsdnBlog category(String category){ this.category = category; return this; } public CsdnBlog view(int view){ this.view = view; return this; } public CsdnBlog comments(int comments){ this.comments = comments; return this; } public CsdnBlog copyright(String copyright){ this.copyright = copyright; return this; } @Override public String toString() { return "CsdnBlog{" + "id=" + id + ", title='" + title + ''' + ", date='" + date + ''' + ", category='" + category + ''' + ", view=" + view + ", comments=" + comments + ", copyright='" + copyright + ''' + '}'; }}
结果：
首先是抓取网页的配置信息包括编码、抓取间隔、超时时间、重试次数等，也包括一些模拟的参数，例如User Agent、cookie，以及代理的设置。
然后是页面元素的抽取以及新链接的发现，都在process（）方法中，WebMagic里主要使用了三种抽取技术：XPath、正则表达式和CSS选择器。我们主要是用XPath和正则表达式。下面是几个简单的例子：
获取所有P标签内容
正则:
(?<=<p>).*(?=</p>)
XPATH:
精确路径定位:
//div[@class='detail-wrapper']//div[@class='upload-txt no-mb']//h1/p/text()
简单定位:
//h1[@class='title']/p/text()
获取所有href内容
正则:
(?<=rel="external nofollow" href=").*(?=/")
XPATH:
精确路径定位:
//div[@class='detail-wrapper']//a/@href
简单定位:
//a[@class='image share_url']/@href
链接的发现使用page.addTargetRequest(targetUrls);
和page.addTargetRequests(detailUrls);一个参数是String一个是List<String>，这样就把新的链接加入了待爬取的队列当中。从日志可以看出：
最后是程序的启动以及结果的处理：
所有的组件都是由Spider管理，我们只写了一个processor其余的组件可以自己配置，或者Spider会加载默认的组件，比如加载HttpClientDownloader，QueueScheduler
以及ConsolePipeline。下面是程序的启动程序
在这里我们只配置了自己的CsdnBlogProcessor,所以会默认HttpClientDownloader，QueueScheduler以及ConsolePipeline。thread（）是启动的线程数，addUrl（）爬取的地址，可以有多个参数，也就是多个地址。
public Spider thread(int threadNum) { this.checkIfRunning(); this.threadNum = threadNum; if (threadNum <= 0) { throw new IllegalArgumentException("threadNum should be more than one!"); } else { return this; }}
run()方法会启动线程，其中checkRunningState()检查状态，initComponent()初始化组件
public void run() { this.checkRunningStat(); this.initComponent(); this.logger.info("Spider {} started!", this.getUUID()); while(!Thread.currentThread().isInterrupted() && this.stat.get() == 1) { final Request request = this.scheduler.poll(this); if (request == null) { if (this.threadPool.getThreadAlive() == 0 && this.exitWhenComplete) { break; } this.waitNewUrl(); } else { this.threadPool.execute(new Runnable() { public void run() { try { Spider.this.processRequest(request); Spider.this.onSuccess(request); } catch (Exception var5) { Spider.this.onError(request); Spider.this.logger.error("process request " + request + " error", var5); } finally { Spider.this.pageCount.incrementAndGet(); Spider.this.signalNewUrl(); } } }); } } this.stat.set(2); if (this.destroyWhenExit) { this.close(); } this.logger.info("Spider {} closed! {} pages downloaded.", this.getUUID(), this.pageCount.get());}