java 如何爬取百度百科词条内容(java如何使用webmagic爬取百度词条)

这是老师所布置的作业

说一下我这里的爬去并非能把百度词条上的内容一字不漏的取下来（而是它分享链接的一个主要内容概括...）（他的主要内容我爬不到 也不想去研究大家有好办法可以call me）

例如 互联网+这个词汇 我这里爬的解释为 

中文【互联网+_百度百科】“互联网+”是创新2.0下的互联网发展的新业态，是知识社会创新2.0推动下的互联网形态演进及其催生的经济社会发展新形态。“互联网+”是互联网思维的进一步实践成果，推动经济形态不断地发生演变，从而带动社会经济实体的生命力，为改革、创新、发展提供广阔的网络平台。通俗的说，“互联网+”就是“互联网+各个传统行业”，但这并不是简单的两者相加，而是利用信息通信技术以及互联网平台，让互联网与传统行业进行深度融合，创造新的发展生态。它代表一种新的社会形态，即充分发挥互联网在社会资源配置中的优化和集成作用，将互联网的创新成果深度融合于经济、社会各域之中，提升全社会的创新力和生产力，形成更广泛的以互联网为基础设施和实现工具的经济发展新形态。2015年7月4日，国务院印发《国务院关于积极推进“互联网+”行动的指导意见》。2016年5月31日，教育部、国家语委在京发布《中国语言生活状况报告（2016）》。“互联.....（分享自

而不同于百度词条的长篇大论

webmagic 使用不再赘述 导入包实现PageProcessor接口

代码如下

package com.test;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.ConsolePipeline;
import us.codecraft.webmagic.processor.PageProcessor;
/**
 * @author 信1605-1 hjj
 *
 */
public class PaChong2 implements PageProcessor{

    private Site site = Site.me()
            .setUserAgent("Mozilla/5.0 (Windows NT 10.0; WOW64; rv:56.0) Gecko/20100101 Firefox/56.0")
            .setRetryTimes(3)
            .setSleepTime(1000);
    @Override
    public Site getSite() {
        // TODO Auto-generated method stub
        return site;
    }
    
    public static void main(String[] args) {
        Spider.create(new PaChong2())
        .addUrl("https://baike.baidu.com/item/互联网+")//这里填写你第一次要爬的网址（后面直接跟你要查的词汇名称把互联网改了就行）
        .addPipeline(new ConsolePipeline())
        .thread(15)
        .run();
        
}

    @Override
    public void process(Page page) {
    //这段代码重复获取 
        System.out.println(mySplitBaiDu(page));
        System.out.println("中文"+unicodeToString(mySplitBaiDu(page)));
    }
    
    //爬取百度解释  为unicode文本
        public static String mySplitBaiDu(Page page)
        {
           String wordname=page.getUrl().toString().split("item/")[1];
            String basehtml=page.getJson().toString();
            String content =basehtml.split("bdText: "")[1].split("@")[0];
            return content;
        }
    
        //unicode 转中文
        public static String unicodeToString(String str) {
             
            Pattern pattern = Pattern.compile("(\\u(\p{XDigit}{4}))");
            Matcher matcher = pattern.matcher(str);
            char ch;
            while (matcher.find()) {
                //group 6728
                String group = matcher.group(2);
                //ch:'木' 26408
                ch = (char) Integer.parseInt(group, 16);
                //group1 u6728
                String group1 = matcher.group(1);
                str = str.replace(group1, ch + "");
            }
            return str;
        }
    
}

结果