import java.io.BufferedInputStream;

import java.io.BufferedReader;

import java.io.FileInputStream;

import java.io.FileOutputStream;

import java.io.IOException;

import java.io.InputStreamReader;

import java.text.SimpleDateFormat;

import java.util.ArrayList;

import java.util.List;

import net.sf.json.JSONArray;

import net.sf.json.JSONObject;

import org.apache.poi.hssf.usermodel.HSSFCell;

import org.apache.poi.hssf.usermodel.HSSFCellStyle;

import org.apache.poi.hssf.usermodel.HSSFRow;

import org.apache.poi.hssf.usermodel.HSSFSheet;

import org.apache.poi.hssf.usermodel.HSSFWorkbook;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.nodes.Element;

import org.jsoup.select.Elements;

    public class aaaa {

        public static void main(String[] args) {

            aaaa t = new aaaa();

            t.getExl();

        }  

   　　//得到URL数据

        public List<String> getText() throws IOException{

            List<String>Url=new ArrayList<String>();

　　　　//批量导入网址           

　　　　String file = "shop.txt";

             BufferedReader in = new BufferedReader(

                     new InputStreamReader(

                         new BufferedInputStream(

                             new FileInputStream(file)), "gbk"));

                 String str;

                 while((str= in.readLine())!=null){

                     Url.add(str);

                     System.out.println(str);

                 }

                 in.close();

                 return Url;

        }

　　//将抓取的数据组合成json对象

        public List<JSONObject> parseUrl() {

            List<JSONObject>UTL=new ArrayList<JSONObject>();

            try {

                for(String url:getText()){

　　　　　　//将url这个网页解析成一个dom对象

                Document doc = Jsoup.connect(url).get();  

　　　　　　//筛选<a class="mall-icon">的所有对象

                Elements hrefs = doc.select("a.mall-icon");

　　　　　　//遍历改对象数组

                for(Element href:hrefs){

　　　　　　　　//对该对象的元素进行处理,包装成另一个url进行二级网站的数据抓取

                    String number=href.attr("data-uid");

                    String jsonurl="http://rate.taobao.com/ShopService4C.htm?userNumId="+number;

                    System.out.println(jsonurl);

                    Document doc1 = Jsoup.connect(jsonurl).get();

                    Element jsons=doc1.body();

                    JSONObject json=JSONObject.fromObject(jsons.toString().replaceAll("<body>|</body>", "").replace("&quot;", ""));

                    UTL.add(json);

                }

                }

            } catch (IOException e) {

                e.printStackTrace();

            }

            return UTL;

        }  

　　//导出excel表格

      public void  getExl(){

          try

        {

          // 第一步，创建一个webbook，对应一个Excel文件

                HSSFWorkbook wb = new HSSFWorkbook();

                // 第二步，在webbook中添加一个sheet,对应Excel文件中的sheet

                HSSFSheet sheet = wb.createSheet("行业统计");

                // 第三步，在sheet中添加表头第0行,注意老版本poi对Excel的行数列数有限制short

                HSSFRow row = sheet.createRow((int) 0);

                // 第四步，创建单元格，并设置值表头 设置表头居中

                HSSFCellStyle style = wb.createCellStyle();

                style.setAlignment(HSSFCellStyle.ALIGN_CENTER); // 创建一个居中格式

                HSSFCell cell = row.createCell((short) 0);

                cell.setCellValue("URL");

                cell.setCellStyle(style);

                cell = row.createCell((short) 1);

                cell.setCellValue("行业均值");

                cell.setCellStyle(style);

                cell = row.createCell((short) 2);

              cell.setCellValue("本店值");

              cell.setCellStyle(style);

                List<JSONObject>list=parseUrl();

                List<String>url=getText();

                System.out.println(list.size());

                System.out.println(url.size());

                for (int i = 0; i < list.size(); i++)

              {

                  row = sheet.createRow((int) i + 1);

                  JSONObject json=(JSONObject)list.get(i);

                  JSONObject ratRefund=json.optJSONObject("ratRefund");

                  // 第四步，创建单元格，并设置值

                  System.out.println(i);

                  row.createCell((short) 0).setCellValue("淘宝淘宝");

                  row.createCell((short) 1).setCellValue(ratRefund.optString("indVal"));

                  row.createCell((short) 2).setCellValue(ratRefund.optString("localVal"));

            }

            FileOutputStream fout = new FileOutputStream("E:/taobao.xls");

            wb.write(fout);

            fout.close();

        }

        catch (Exception e)

        {

            e.printStackTrace();

        }

      }

    }

利用jsoup爬虫工具，爬取数据，并利用excel导出的更多相关文章

  1. python爬取数据保存到Excel中

    # -*- conding:utf-8 -*- # 1.两页的内容 # 2.抓取每页title和URL # 3.根据title创建文件,发送URL请求,提取数据 import requests fro ...

  2. sumafan:python爬虫多线程爬取数据小练习（附答案）

    抓取 https://www.cnbeta.com/ 首页中新闻内容页网址, 抓取内容例子: https://hot.cnbeta.com/articles/game/825125 将抓取下来的内容页 ...

  3. 使用htmlparse爬虫技术爬取电影网页的全部下载链接

    昨天,我们利用webcollector爬虫技术爬取了网易云音乐17万多首歌曲,而且还包括付费的在内,如果时间允许的话,可以获取更多的音乐下来,当然,也有小伙伴留言说这样会降低国人的知识产权保护意识,诚 ...

  4. 使用htmlparser爬虫技术爬取电影网页的全部下载链接

    昨天,我们利用webcollector爬虫技术爬取了网易云音乐17万多首歌曲,而且还包括付费的在内,如果时间允许的话,可以获取更多的音乐下来,当然,也有小伙伴留言说这样会降低国人的知识产权保护意识,诚 ...

  5. 【个人】爬虫实践，利用xpath方式爬取数据之爬取虾米音乐排行榜

    实验网站:虾米音乐排行榜 网站地址:http://www.xiami.com/chart  难度系数:★☆☆☆☆ 依赖库:request.lxml的etree (安装lxml:pip install ...

  6. python爬虫项目-爬取雪球网金融数据（关注、持续更新）

    (一)python金融数据爬虫项目 爬取目标:雪球网(起始url:https://xueqiu.com/hq#exchange=CN&firstName=1&secondName=1_ ...

  7. PYTHON 爬虫笔记九:利用Ajax+正则表达式+BeautifulSoup爬取今日头条街拍图集（实战项目二）

    利用Ajax+正则表达式+BeautifulSoup爬取今日头条街拍图集 目标站点分析 今日头条这类的网站制作,从数据形式,CSS样式都是通过数据接口的样式来决定的,所以它的抓取方法和其他网页的抓取方 ...

  8. Python使用Scrapy框架爬取数据存入CSV文件(Python爬虫实战4)

    1. Scrapy框架 Scrapy是python下实现爬虫功能的框架,能够将数据解析.数据处理.数据存储合为一体功能的爬虫框架. 2. Scrapy安装 1. 安装依赖包 yum install g ...

  9. 【Spider】使用CrawlSpider进行爬虫时，无法爬取数据，运行后很快结束，但没有报错

    在学习<python爬虫开发与项目实践>的时候有一个关于CrawlSpider的例子,当我在运行时发现,没有爬取到任何数据,以下是我敲的源代码:import scrapyfrom UseS ...

随机推荐

  1. Genome-wide Complex Trait Analysis(GCTA)-全基因组复杂性状分析

    GCTA(全基因组复杂性状分析)工具开发目的是针对复杂性状的全基因组关联分析,评估SNP解释的表型方差所占的比例(该网站地址:http://cnsgenomics.com/software/gcta/ ...

  2. [DB]MariaDB 与 MySql 数据库

    目前 MariaDB 已经出来几年了,本文编辑时的官网最新稳定版本是 10.1.14 链接:https://downloads.mariadb.org/ 但百度没有下载,搜狗给的下载版本是 5.5.2 ...

  3. ZT “樱花小萝莉”走红网络 网友：好想生个女儿

    “樱花小萝莉”走红网络 网友:好想生个女儿 投递人 itwriter 发布于 2014-04-02 17:39 评论(3) 有717人阅读  原文链接  [收藏]  « » 近日,一组被网友亲切地称呼 ...

  4. linux下mysql集群的安装

    3台redhat服务器: SQL节点(mysqld): 192.168.1.77;192.168.1.78 数据节点(ndbd): 192.168.1.77;192.168.1.78 管理节点(ndb ...

  5. rm: Argument list too long

    rm -rf  /testdir/* -bash: /bin/rm: Argument list too long 解决: cd /testdir/; ls | xargs rm -rf

  6. Daily Scrum 12.1

    今日完成任务: 完成了对源代码结构的修改,删除冗余等:和其他小组讨论了关于整合的问题,向其他小组介绍自己小组使用的数据库等. 明日任务: 晏旭瑞 初步完成文档上传下载 孙思权 深入了解数据库中每个表, ...

  7. ngxtop：在命令行实时监控 Nginx 的神器

    Nginx网站服务器在生产环境中运行的时候需要进行实时监控.实际上,诸如Nagios, Zabbix, Munin 的网络监控软件是支持 Nginx 监控的. 如果你不需要以上软件提供的综合性报告或者 ...

  8. dropbear

    生成ssh连接所需要的公钥,如下: /usr/bin/dropbearkey -t dss -f /etc/dropbear/dropbear_dss_host_key     (dss加密,长度默认 ...

  9. （Python） 安装、基本语法

    从今天起,我将开启python学习模式,并用博客记录学习的过程和相关知识点 1.Python下载安装 可以在官网:https://www.python.org/downloads/ 中下载各种版本的P ...

  10. 内置函数 和 select练习3

    19.  查询选修"3-105"课程的成绩高于"109"号同学成绩的所有同学的记录. select * from score where cno='3-105' ...