Visual Paradigm是一个非常棒的UML绘图工具,需要对它了解的,可以直接看官网,在此不做更多介绍,最近要使用它来做一些设计,它有非常完备的在线教学,写得非常不错。这个时候问题来了,这些教学非常多,而且如果所有人都访问外网的话及学习效率都比较低。通过观察,发现里面的所有文章都有PDF可以下载,而且里面的示例也可以下载,呵呵,这就好办了,做个程序把它抓下来不就解决了?于是把此问题交给HulkZ同学去干了,HulkZ同学花了半天时间交工,我看了下,发现虽然局部有优化的地方,但是总体还是可以的,于是就写这篇文章做个说明。
注:HulkZ同学还没有大学毕业,正在大学4年级学习。
第一步:教学首页的处理
1 2 3 4 5 6 7 8 9 10 11 12 13 |
|
大意是创建一个抓取UTF-8的爬虫,然后创建一个观察者,设定对带有class为tutorialLeftMenuItem的li标签用VisualParadigmMainProcessor类去处理,然后去处理URLhttp://www.visual-paradigm.com/tutorials/。
到这里处理还是比较清晰的,接下来看看VisualParadigmMainProcessor是怎么样的。
1 2 3 4 5 6 7 8 9 10 |
|
这里传入的node实际上,就是上面说的带有class为tutorialLeftMenuItem的li标签,这里的意思是找到它下面的所有<a>标签,然后创建目录,然后再用VisualParadigmList类来对这些分类连接进行处理。
第二步:教学分类中的教学内容列表处理
教学分类中主要就是一篇一篇的教学文章了,接下来当然是对这些文章进行处理了。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
|
这里又创建一个爬虫,然后对需要处理的 页面查找class为"tutorial-link-container"的div标签,找到之后用VisualParadigmListProcessor进行处理。
VisualParadigmListProcessor类的内容如下:
1 2 3 4 5 6 |
|
意思就是再对它下面的a标签中的URL用VisualParadigmPage类进行处理。
第三步:具体的页面处理
上面就是具体的教学页面了,在其右上角,就有PDF的链接,下面要做的工作就是把这些PDF抓取下来,首先看VisualParadigmPage类:
1 2 3 4 5 6 7 8 9 10 11 12 13 |
|
其意思是创建一个爬虫,并对里面的html标签用VisualParadigmPageProcessor类进行处理,相对于上面的一些类这个类的内容就稍微复杂些了:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 |
|
但是其逻辑还是清晰的:
到文章中查找到标题,再查找到PDF的链接,再查找到其它附件的链接,如果有的话,就把它们存储下来,整个代码编写任务结束。
运行结果
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 |
|
上面是他提交给我的成果物,总共108M,任务完成得非常漂亮。
补充
这部分代码,HulkZ同学已经Push给我,放在TinySpider工程当中。
另外做这个过程中,还发现TinySpider不能处理gzip方式处理过的Html文档,因此还增加了对gzip方式的html内容进行处理的支持。
更多内容,请查看Tiny框架官网:http://www.tinygroup.org,也可以查看本人的博客,相信不会空手而归。
也可以添加本人QQ进行直接沟通,还可以加入Tiny群与TinyFans互动。