java从零到变身爬虫大神(一)
学习java3天有余,知道一些基本语法后
学习java爬虫,1天后开始出现明显效果
刚开始先从最简单的爬虫逻辑入手
爬虫最简单的解析面真的是这样
- import org.jsoup.Jsoup;
- import org.jsoup.nodes.Document;
- import java.io.IOException;
- public class Test {
- public static void Get_Url(String url) {
- try {
- Document doc = Jsoup.connect(url)
- //.data("query", "Java")
- //.userAgent("头部")
- //.cookie("auth", "token")
- //.timeout(3000)
- //.post()
- .get();
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
- }
这只是一个函数而已
那么在下面加上:
- //main函数
- public static void main(String[] args) {
- String url = "...";
- Get_Url(url);
- }
哈哈,搞定
就是这么一个爬虫了
太神奇
但是得到的只是网页的html页面的东西
而且还没筛选
那么就筛选吧
- public static void Get_Url(String url) {
- try {
- Document doc = Jsoup.connect(url)
- //.data("query", "Java")
- //.userAgent("头部")
- //.cookie("auth", "token")
- //.timeout(3000)
- //.post()
- .get();
- //得到html的所有东西
- Element content = doc.getElementById("content");
- //分离出html下<a>...</a>之间的所有东西
- Elements links = content.getElementsByTag("a");
- //Elements links = doc.select("a[href]");
- // 扩展名为.png的图片
- Elements pngs = doc.select("img[src$=.png]");
- // class等于masthead的div标签
- Element masthead = doc.select("div.masthead").first();
- for (Element link : links) {
- //得到<a>...</a>里面的网址
- String linkHref = link.attr("href");
- //得到<a>...</a>里面的汉字
- String linkText = link.text();
- System.out.println(linkText);
- }
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
那就用上面的来解析一下我的博客园
解析的是<a>...</a>之间的东西
看起来很不错,就是不错
-------------------------------我是快乐的分割线-------------------------------
其实还有另外一种爬虫的方法更加好
他能批量爬取网页保存到本地
先保存在本地再去正则什么的筛选自己想要的东西
这样效率比上面的那个高了很多
很多
很多
看代码!
- //将抓取的网页变成html文件,保存在本地
- public static void Save_Html(String url) {
- try {
- File dest = new File("src/temp_html/" + "保存的html的名字.html");
- //接收字节输入流
- InputStream is;
- //字节输出流
- FileOutputStream fos = new FileOutputStream(dest);
- URL temp = new URL(url);
- is = temp.openStream();
- //为字节输入流加缓冲
- BufferedInputStream bis = new BufferedInputStream(is);
- //为字节输出流加缓冲
- BufferedOutputStream bos = new BufferedOutputStream(fos);
- int length;
- byte[] bytes = new byte[1024*20];
- while((length = bis.read(bytes, 0, bytes.length)) != -1){
- fos.write(bytes, 0, length);
- }
- bos.close();
- fos.close();
- bis.close();
- is.close();
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
这个方法直接将html保存在了文件夹src/temp_html/里面
在批量抓取网页的时候
都是先抓下来,保存为html或者json
然后在正则什么的进数据库
东西在本地了,自己想怎么搞就怎么搞
反爬虫关我什么事
上面两个方法都会造成一个问题
这个错误代表
这种爬虫方法太low逼
大部分网页都禁止了
所以,要加个头
就是UA
方法一那里的头部那里直接
.userAgent("Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; MALC)")
方法二间接加:
- URL temp = new URL(url);
- URLConnection uc = temp.openConnection();
- uc.addRequestProperty("User-Agent", "Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5");
- is = temp.openStream();
加了头部,几乎可以应付大部分网址了
-------------------------------我是快乐的分割线-------------------------------
将html下载到本地后需要解析啊
解析啊看这里啊
- //解析本地的html
- public static void Get_Localhtml(String path) {
- //读取本地html的路径
- File file = new File(path);
- //生成一个数组用来存储这些路径下的文件名
- File[] array = file.listFiles();
- //写个循环读取这些文件的名字
- for(int i=0;i<array.length;i++){
- try{
- if(array[i].isFile()){
- //文件名字
- System.out.println("正在解析网址:" + array[i].getName());
- //下面开始解析本地的html
- Document doc = Jsoup.parse(array[i], "UTF-8");
- //得到html的所有东西
- Element content = doc.getElementById("content");
- //分离出html下<a>...</a>之间的所有东西
- Elements links = content.getElementsByTag("a");
- //Elements links = doc.select("a[href]");
- // 扩展名为.png的图片
- Elements pngs = doc.select("img[src$=.png]");
- // class等于masthead的div标签
- Element masthead = doc.select("div.masthead").first();
- for (Element link : links) {
- //得到<a>...</a>里面的网址
- String linkHref = link.attr("href");
- //得到<a>...</a>里面的汉字
- String linkText = link.text();
- System.out.println(linkText);
- }
- }
- }catch (Exception e) {
- System.out.println("网址:" + array[i].getName() + "解析出错");
- e.printStackTrace();
- continue;
- }
- }
- }
文字配的很漂亮
就这样解析出来啦
主函数加上
- //main函数
- public static void main(String[] args) {
- String url = "http://www.cnblogs.com/TTyb/";
- String path = "src/temp_html/";
- Get_Localhtml(path);
- }
那么这个文件夹里面的所有的html都要被我解析掉
好啦
3天java1天爬虫的结果就是这样子咯
-------------------------------我是快乐的分割线-------------------------------
其实对于这两种爬取html的方法来说,最好结合在一起
作者测试过
方法二稳定性不足
方法一速度不好
所以自己改正
将方法一放到方法二的catch里面去
当方法二出现错误的时候就会用到方法一
但是当方法一也错误的时候就跳过吧
结合如下:
- import org.jsoup.Jsoup;
- import org.jsoup.nodes.Document;
- import org.jsoup.nodes.Element;
- import org.jsoup.select.Elements;
- import java.io.BufferedInputStream;
- import java.io.BufferedOutputStream;
- import java.io.BufferedReader;
- import java.io.File;
- import java.io.FileOutputStream;
- import java.io.IOException;
- import java.io.InputStream;
- import java.io.InputStreamReader;
- import java.io.OutputStream;
- import java.io.OutputStreamWriter;
- import java.net.HttpURLConnection;
- import java.net.URL;
- import java.net.URLConnection;
- import java.util.Date;
- import java.text.SimpleDateFormat;
- public class JavaSpider {
- //将抓取的网页变成html文件,保存在本地
- public static void Save_Html(String url) {
- try {
- File dest = new File("src/temp_html/" + "我是名字.html");
- //接收字节输入流
- InputStream is;
- //字节输出流
- FileOutputStream fos = new FileOutputStream(dest);
- URL temp = new URL(url);
- URLConnection uc = temp.openConnection();
- uc.addRequestProperty("User-Agent", "Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5");
- is = temp.openStream();
- //为字节输入流加缓冲
- BufferedInputStream bis = new BufferedInputStream(is);
- //为字节输出流加缓冲
- BufferedOutputStream bos = new BufferedOutputStream(fos);
- int length;
- byte[] bytes = new byte[1024*20];
- while((length = bis.read(bytes, 0, bytes.length)) != -1){
- fos.write(bytes, 0, length);
- }
- bos.close();
- fos.close();
- bis.close();
- is.close();
- } catch (IOException e) {
- e.printStackTrace();
- System.out.println("openStream流错误,跳转get流");
- //如果上面的那种方法解析错误
- //那么就用下面这一种方法解析
- try{
- Document doc = Jsoup.connect(url)
- .userAgent("Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; MALC)")
- .timeout(3000)
- .get();
- File dest = new File("src/temp_html/" + "我是名字.html");
- if(!dest.exists())
- dest.createNewFile();
- FileOutputStream out=new FileOutputStream(dest,false);
- out.write(doc.toString().getBytes("utf-8"));
- out.close();
- }catch (IOException E) {
- E.printStackTrace();
- System.out.println("get流错误,请检查网址是否正确");
- }
- }
- }
- //解析本地的html
- public static void Get_Localhtml(String path) {
- //读取本地html的路径
- File file = new File(path);
- //生成一个数组用来存储这些路径下的文件名
- File[] array = file.listFiles();
- //写个循环读取这些文件的名字
- for(int i=0;i<array.length;i++){
- try{
- if(array[i].isFile()){
- //文件名字
- System.out.println("正在解析网址:" + array[i].getName());
- //文件地址加文件名字
- //System.out.println("#####" + array[i]);
- //一样的文件地址加文件名字
- //System.out.println("*****" + array[i].getPath());
- //下面开始解析本地的html
- Document doc = Jsoup.parse(array[i], "UTF-8");
- //得到html的所有东西
- Element content = doc.getElementById("content");
- //分离出html下<a>...</a>之间的所有东西
- Elements links = content.getElementsByTag("a");
- //Elements links = doc.select("a[href]");
- // 扩展名为.png的图片
- Elements pngs = doc.select("img[src$=.png]");
- // class等于masthead的div标签
- Element masthead = doc.select("div.masthead").first();
- for (Element link : links) {
- //得到<a>...</a>里面的网址
- String linkHref = link.attr("href");
- //得到<a>...</a>里面的汉字
- String linkText = link.text();
- System.out.println(linkText);
- }
- }
- }catch (Exception e) {
- System.out.println("网址:" + array[i].getName() + "解析出错");
- e.printStackTrace();
- continue;
- }
- }
- }
- //main函数
- public static void main(String[] args) {
- String url = "http://www.cnblogs.com/TTyb/";
- String path = "src/temp_html/";
- //保存到本地的网页地址
- Save_Html(url);
- //解析本地的网页地址
- Get_Localhtml(path);
- }
- }
总的来说
java爬虫的方法比python的多好多
java的库真特么变态
java从零到变身爬虫大神(一)的更多相关文章
- java从零到变身爬虫大神
刚开始先从最简单的爬虫逻辑入手 爬虫最简单的解析面真的是这样 import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import java. ...
- 【推荐】Java工程师如何从普通成为大神值得一读
本文源自 http://www.hollischuang.com/archives/489 一点感悟 java作为一门编程语言,在各类编程语言中作为弄潮儿始终排在前三的位置,这充分肯定了java语言的 ...
- 从菜鸟到大神:Java高并发核心编程(连载视频)
任何事情是有套路的,学习是如此, Java的学习,更是如此. 本文,为大家揭示 Java学习的套路 背景 Java高并发.分布式的中间件非常多,网上也有很多组件的源码视频.原理视频,汗牛塞屋了. 作为 ...
- 交流希望希望能得到一些大神的指点,加QQ群:249627436 java技术交流群
查了好多资料,发现还是不全,干脆自己整理吧,至少保证在我的做法正确的,以免误导读者,也是给自己做个记录吧! 本人学习java,1年多,对一些基本技巧已掌握.为了使自己能力晋升建了一个QQ群:java交 ...
- 关于Java8 Stream流的利与弊 Java初学者,大神勿喷
题目需求: 1:第一个队伍只要名字为3个字成员的姓名,存储到新集合 2:第一个队伍筛选之后只要前3人:存储到一个新集合 3:第2个队伍只要姓张的成员姓名:存储到一个新集合 4:第2个队伍不要前2人,存 ...
- 大神教你零基础学PS,30堂课从入门到精通
ps视频教程,ps自学视频教程.ps免费视频教程下载,大神教你零基础学PS教程视频内容较大,分为俩部分: 大神教你零基础学PS--30堂课从入门到精通第一部分:百度网盘,https://pan.bai ...
- java大神进阶之路
既然励志在java路上走的更远,那就必须了解java的路径.先看图 更加细化的细节如下 一: 编程基础 不管是C还是C++,不管是Java还是PHP,想成为一名合格的程序员,基本的数据结构和算法基础还 ...
- 一个4年工作经验的java程序员的困惑,怎样才能能为一个架构师,请教大神
一个4年工作经验的java程序员的困惑,怎样才能能为一个架构师 LZ本人想往架构师发展, 业余时间也会看一些书籍, 但是感觉没有头绪, 有些书看了,也没有地方实践 我做了4年的java开发, 在一个公 ...
- 学习 Doug Lea 大神写的——Scalable IO in Java
学习 Doug Lea 大神写的--Scalable IO in Java 网络服务 Web services.分布式对象等等都具有相同的处理结构 Read request Decode reques ...
随机推荐
- 对于我的linux常用命令的说明
我所列出的linux常用命令中的选项并不是全部的选项,是一些我们经常用到的linux命令及选项
- 三色二叉树_树形DP
Time Limit: 1000 mSec Memory Limit : 32768 KB Problem Description 一棵二叉树可以按照如下规则表示成一个由0.1.2组成的字符序 ...
- HDU 3047
http://acm.hdu.edu.cn/showproblem.php?pid=3047 和hdu 3038以及poj那个食物链一样,都是带权并查集,此题做法和hdu 3038完全相同,具体操作看 ...
- Asp.net操作Excel----NPOI!!!!1
前言 Asp.net操作Excel已经是老生长谈的事情了,可下面我说的这个NPOI操作Excel,应该是最好的方案了,没有之一,使 用NPOI能够帮助开发者在没有安装微软Office的情况下读写Off ...
- I.MX6 SHT20 Linux 驱动移植
/*********************************************************************** * I.MX6 SHT20 Linux 驱动移植 * ...
- 本地日志数据实时接入到hadoop集群的数据接入方案
1. 概述 本手册主要介绍了,一个将传统数据接入到Hadoop集群的数据接入方案和实施方法.供数据接入和集群运维人员参考. 1.1. 整体方案 Flume作为日志收集工具,监控一个文件目录或者一个文 ...
- What are the 10 algorithms one must know in order to solve most algorithm challenges/puzzles?
QUESTION : What are the 10 algorithms one must know in order to solve most algorithm challenges/puzz ...
- (基础篇)PHP获取时间、时间戳的各种格式写法汇总
1.获取当前时间方法date() 很简单,这就是获取时间的方法,格式为:date($format, $timestamp),format为格式.timestamp为时间戳–可填参数. 2.获取时间戳方 ...
- UVa 10810 - Ultra-QuickSort
题目大意:给出一个数列,每次交换相邻数字,求排成递增序的最少交换次数. 分析:求逆序数,合并排序 #include<cstdio>#include<cstring>#inclu ...
- int integer string间的转换
1.int-->Integer new Integer(i); 2.Integer-->int Integer i = new Integer(1); int k = i.intValue ...