Java实现简单爬虫

不念不忘少年蓝@ 2022-05-17 09:52 283阅读 0赞

## 爬虫 ##

爬虫可以理解为一个`从第三方网站获取其数据`的技术。

#### 关于爬虫语言 ####

*  博主是只是对Java有一定浅显的见解，对于很多语言不敢造次。在这里说一下关于爬虫常用的语言。最常用的爬虫语言是python，python有完善的爬虫框架，获取网页数据十分方便，而爬虫时候很多时候都会出现较长时间的延迟和等待，python的多线程、进程模型比较完善所以多数人都会用python进行爬虫。
 *  本文简单聊一下Java爬虫入门，便于大家理解。

--------------------

Java从网页去抓取数据 肯定涉及到java.net.URL而从URL中读取到的数据(本文是利用字符流获取url返回的)，是需要转换才能为我们所用。目前较多的是json格式，json格式相对html格式来说更为简单，本文介绍的是返回的html格式。

#### Jsoup ####

处理html格式返回就需要用到Jsoup。jsoup 是Java的html解析器，可直接解析某个URL地址、HTML文本内容。具体的jar包可以自行下载。

*  这里我拿以下网站作为例子。这个网站没有过多的js，DOM结构上也是比较基础的 ur >> li 等，便于理解和爬数据。比如我们想获取该网址左边的书籍分类里面的数据。首先开启调试模式，刷新页面查看发送了什么请求。如图所示，向[http://bestcbooks.com/][http_bestcbooks.com]发送了一个GET请求没有带什么参数。

![这里写图片描述][70]

我们可以通过如下方式，模拟这样的一个请求，然后从请求的返回中去解析出我们需要的数据。

import org.jsoup.Jsoup;
    import org.jsoup.nodes.Document;
    import org.jsoup.nodes.Element;
    import org.jsoup.select.Elements;
    
    import java.io.BufferedReader;
    import java.io.InputStream;
    import java.io.InputStreamReader;
    import java.net.HttpURLConnection;
    import java.net.URL;
    
    /**
     * Created by wingzing on 2018/8/8.
     */
    public class WingZingDemo {
        
        public static void main(String[] args) {
            String httpUrl = "http://bestcbooks.com/"; //需要爬的网址
            String html;
            try {
                StringBuffer sbf = new StringBuffer();
                URL url = new URL(httpUrl);
                HttpURLConnection connection = (HttpURLConnection) url
                        .openConnection();
                connection.setRequestMethod("GET");  //设置请求方式 可设置POST 注意一定要大写
                //connection.setRequestProperty("Cookie", cookie); //设置请求头参数 如Cookie、Host等等
                connection.connect(); //开启连接
                InputStream is = connection.getInputStream();
                BufferedReader reader = new BufferedReader(new InputStreamReader(is, "UTF-8"));
                String strRead = null;
                while ((strRead = reader.readLine()) != null) { //读取返回
                    sbf.append(strRead);
                    sbf.append("\r\n");
                }
                reader.close();//关闭缓冲字符流
                html = sbf.toString();
                //System.out.println(html);
                Document doc = Jsoup.parse(html);//将爬来的html格式的字符串转成Document从而获取其中需要的数据
                Element ul = doc.getElementById("category-list");//取得ID为category-list的元素
                Elements liList = ul.getElementsByTag("li");//取得其中的li标签 为一个集合
                for(Element li:liList){ //循环该li集合
                    System.out.println(li.getElementsByTag("a").get(0).text());//取得每个li中的a标签的值 进行输出
                }
            } catch (Exception e) {
                e.printStackTrace();
            }
    
        }
    }

代码中的注释已经写的非常清楚了，可以复制这个代码自己运行一下，通过debug来一步一步看其中的值。

##### 总的来说，首先获取页面加载或执行的时送的`请求`，并判断是否需要`参数`，需要哪些参数，进行一个`模拟`然后得到该请求的`返回`，将请求`解析`出来，获取我们需要的数据。 #####

--------------------

以上就是Java实现简单的爬虫，只是为了没有接触过Java来爬虫的朋友学习一下。后续我会给大家写一下Java稍微麻烦一点的爬虫，如抓数据到自己数据库，进行一些模拟网页的操作等等。

[http_bestcbooks.com]: http://bestcbooks.com/
[70]: /images/20220517/b55c11610e5f44a78ef726e46d811ba4.png