Java爬虫 信息抓取的实现

 更新时间:2016年09月07日 10:14:56   作者:鸿洋_   我要评论
本文主要介绍 Java爬虫 信息抓取的实现,这里详细介绍了如何实现该方法,并附示例代码供大家学习参考,有兴趣的小伙伴可以参考下

今天公司有个需求,需要做一些指定网站查询后的数据的抓取,于是花了点时间写了个demo供演示使用。

思想很简单:就是通过Java访问的链接,然后拿到html字符串,然后就是解析链接等需要的数据。技术上使用Jsoup方便页面的解析,当然Jsoup很方便,也很简单,一行代码就能知道怎么用了:

Document doc = Jsoup.connect("http://www.oschina.net/")  
 .data("query", "Java")  // 请求参数 
 .userAgent("I ' m jsoup") // 设置 User-Agent  
 .cookie("auth", "token") // 设置 cookie  
 .timeout(3000)      // 设置连接超时时间 
 .post();         // 使用 POST 方法访问 URL  

下面介绍整个实现过程:

1、分析需要解析的页面:

网址:http://www1.sxcredit.gov.cn/public/infocomquery.do?method=publicIndexQuery

页面:

先在这个页面上做一次查询:观察下请求的url,参数,method等。

这里我们使用chrome内置的开发者工具(快捷键F12),下面是查询的结果:

我们可以看到url,method,以及参数。知道了如何或者查询的URL,下面就开始代码了,为了重用与扩展,我定义了几个类:

1、Rule.java用于指定查询url,method,params等

package com.zhy.spider.rule; 
/** 
 * 规则类 
 * 
 * @author zhy 
 * 
 */ 
public class Rule 
{ 
  /** 
   * 链接 
   */ 
  private String url; 
  /** 
   * 参数集合 
   */ 
  private String[] params; 
  /** 
   * 参数对应的值 
   */ 
  private String[] values; 
  /** 
   * 对返回的HTML,第一次过滤所用的标签,请先设置type 
   */ 
  private String resultTagName; 
  /** 
   * CLASS / ID / SELECTION 
   * 设置resultTagName的类型,默认为ID 
   */ 
  private int type = ID ; 
  /** 
   *GET / POST 
   * 请求的类型,默认GET 
   */ 
  private int requestMoethod = GET ;  
  public final static int GET = 0 ; 
  public final static int POST = 1 ; 
 
  public final static int CLASS = 0; 
  public final static int ID = 1; 
  public final static int SELECTION = 2; 
  public Rule() 
  { 
  } 
   
  public Rule(String url, String[] params, String[] values, 
      String resultTagName, int type, int requestMoethod) 
  { 
    super(); 
    this.url = url; 
    this.params = params; 
    this.values = values; 
    this.resultTagName = resultTagName; 
    this.type = type; 
    this.requestMoethod = requestMoethod; 
  } 
  public String getUrl() 
  { 
    return url; 
  } 
  public void setUrl(String url) 
  { 
    this.url = url; 
  } 
  public String[] getParams() 
  { 
    return params; 
  } 
  public void setParams(String[] params) 
  { 
    this.params = params; 
  } 
  public String[] getValues() 
  { 
    return values; 
  } 
  public void setValues(String[] values) 
  { 
    this.values = values; 
  } 
  public String getResultTagName() 
  { 
    return resultTagName; 
  } 
  public void setResultTagName(String resultTagName) 
  { 
    this.resultTagName = resultTagName; 
  } 
  public int getType() 
  { 
    return type; 
  } 
  public void setType(int type) 
  { 
    this.type = type; 
  } 
  public int getRequestMoethod() 
  { 
    return requestMoethod; 
  } 
  public void setRequestMoethod(int requestMoethod) 
  { 
    this.requestMoethod = requestMoethod; 
  } 
} 

简单说一下:这个规则类定义了我们查询过程中需要的所有信息,方便我们的扩展,以及代码的重用,我们不可能针对每个需要抓取的网站写一套代码。

2、需要的数据对象,目前只需要链接,LinkTypeData.java

package com.zhy.spider.bean; 
public class LinkTypeData 
{ 
  private int id; 
  /** 
   * 链接的地址 
   */ 
  private String linkHref; 
  /** 
   * 链接的标题 
   */ 
  private String linkText; 
  /** 
   * 摘要 
   */ 
  private String summary; 
  /** 
   * 内容 
   */ 
  private String content; 
  public int getId() 
  { 
    return id; 
  } 
  public void setId(int id) 
  { 
    this.id = id; 
  } 
  public String getLinkHref() 
  { 
    return linkHref; 
  } 
  public void setLinkHref(String linkHref) 
  { 
    this.linkHref = linkHref; 
  } 
  public String getLinkText() 
  { 
    return linkText; 
  } 
  public void setLinkText(String linkText) 
  { 
    this.linkText = linkText; 
  } 
  public String getSummary() 
  { 
    return summary; 
  } 
  public void setSummary(String summary) 
  { 
    this.summary = summary; 
  } 
  public String getContent() 
  { 
    return content; 
  } 
  public void setContent(String content) 
  { 
    this.content = content; 
  } 
} 

3、核心的查询类:ExtractService.java

package com.zhy.spider.core; 
import java.io.IOException; 
import java.util.ArrayList; 
import java.util.List; 
import java.util.Map; 
import javax.swing.plaf.TextUI; 
import org.jsoup.Connection; 
import org.jsoup.Jsoup; 
import org.jsoup.nodes.Document; 
import org.jsoup.nodes.Element; 
import org.jsoup.select.Elements; 
import com.zhy.spider.bean.LinkTypeData; 
import com.zhy.spider.rule.Rule; 
import com.zhy.spider.rule.RuleException; 
import com.zhy.spider.util.TextUtil; 
/** 
 * 
 * @author zhy 
 * 
 */ 
public class ExtractService 
{ 
  /** 
   * @param rule 
   * @return 
   */ 
  public static List<LinkTypeData> extract(Rule rule) 
  { 
    // 进行对rule的必要校验 
    validateRule(rule); 
    List<LinkTypeData> datas = new ArrayList<LinkTypeData>(); 
    LinkTypeData data = null; 
    try 
    { 
      /** 
       * 解析rule 
       */ 
      String url = rule.getUrl(); 
      String[] params = rule.getParams(); 
      String[] values = rule.getValues(); 
      String resultTagName = rule.getResultTagName(); 
      int type = rule.getType(); 
      int requestType = rule.getRequestMoethod(); 
      Connection conn = Jsoup.connect(url); 
      // 设置查询参数 
      if (params != null) 
      { 
        for (int i = 0; i < params.length; i++) 
        { 
          conn.data(params[i], values[i]); 
        } 
      } 
      // 设置请求类型 
      Document doc = null; 
      switch (requestType) 
      { 
      case Rule.GET: 
        doc = conn.timeout(100000).get(); 
        break; 
      case Rule.POST: 
        doc = conn.timeout(100000).post(); 
        break; 
      } 
      //处理返回数据 
      Elements results = new Elements(); 
      switch (type) 
      { 
      case Rule.CLASS: 
        results = doc.getElementsByClass(resultTagName); 
        break; 
      case Rule.ID: 
        Element result = doc.getElementById(resultTagName); 
        results.add(result); 
        break; 
      case Rule.SELECTION: 
        results = doc.select(resultTagName); 
        break; 
      default: 
        //当resultTagName为空时默认去body标签 
        if (TextUtil.isEmpty(resultTagName)) 
        { 
          results = doc.getElementsByTag("body"); 
        } 
      } 
      for (Element result : results) 
      { 
        Elements links = result.getElementsByTag("a"); 
        for (Element link : links) 
        { 
          //必要的筛选 
          String linkHref = link.attr("href"); 
          String linkText = link.text(); 
          data = new LinkTypeData(); 
          data.setLinkHref(linkHref); 
          data.setLinkText(linkText); 
          datas.add(data); 
        } 
      } 
    } catch (IOException e) 
    { 
      e.printStackTrace(); 
    } 
    return datas; 
  } 
  /** 
   * 对传入的参数进行必要的校验 
   */ 
  private static void validateRule(Rule rule) 
  { 
    String url = rule.getUrl(); 
    if (TextUtil.isEmpty(url)) 
    { 
      throw new RuleException("url不能为空!"); 
    } 
    if (!url.startsWith("http://")) 
    { 
      throw new RuleException("url的格式不正确!"); 
    } 
    if (rule.getParams() != null && rule.getValues() != null) 
    { 
      if (rule.getParams().length != rule.getValues().length) 
      { 
        throw new RuleException("参数的键值对个数不匹配!"); 
      } 
    } 
  } 
 
} 

4、里面用了一个异常类:RuleException.java

package com.zhy.spider.rule; 
public class RuleException extends RuntimeException 
{ 
  public RuleException() 
  { 
    super(); 
    // TODO Auto-generated constructor stub 
  } 
  public RuleException(String message, Throwable cause) 
  { 
    super(message, cause); 
    // TODO Auto-generated constructor stub 
  } 
  public RuleException(String message) 
  { 
    super(message); 
    // TODO Auto-generated constructor stub 
  } 
  public RuleException(Throwable cause) 
  { 
    super(cause); 
    // TODO Auto-generated constructor stub 
  } 
} 

5、最后是测试了:这里使用了两个网站进行测试,采用了不同的规则,具体看代码吧

package com.zhy.spider.test; 
import java.util.List; 
import com.zhy.spider.bean.LinkTypeData; 
import com.zhy.spider.core.ExtractService; 
import com.zhy.spider.rule.Rule; 
public class Test 
{ 
  @org.junit.Test 
  public void getDatasByClass() 
  { 
    Rule rule = new Rule( 
        "http://www1.sxcredit.gov.cn/public/infocomquery.do?method=publicIndexQuery", 
    new String[] { "query.enterprisename","query.registationnumber" }, new String[] { "兴网","" }, 
        "cont_right", Rule.CLASS, Rule.POST); 
    List<LinkTypeData> extracts = ExtractService.extract(rule); 
    printf(extracts); 
  } 
  @org.junit.Test 
  public void getDatasByCssQuery() 
  { 
    Rule rule = new Rule("http://www.11315.com/search", 
        new String[] { "name" }, new String[] { "兴网" }, 
        "div.g-mn div.con-model", Rule.SELECTION, Rule.GET); 
    List<LinkTypeData> extracts = ExtractService.extract(rule); 
    printf(extracts); 
  } 
  public void printf(List<LinkTypeData> datas) 
  { 
    for (LinkTypeData data : datas) 
    { 
      System.out.println(data.getLinkText()); 
      System.out.println(data.getLinkHref()); 
      System.out.println("***********************************"); 
    } 
  } 
} 

输出结果:

深圳市网兴科技有限公司 
http://14603257.11315.com 
*********************************** 
荆州市兴网公路物资有限公司 
http://05155980.11315.com 
*********************************** 
西安市全兴网吧 
# 
*********************************** 
子长县新兴网城 
# 
*********************************** 
陕西同兴网络信息有限责任公司第三分公司 
# 
*********************************** 
西安高兴网络科技有限公司 
# 
*********************************** 
陕西同兴网络信息有限责任公司西安分公司 
# 
*********************************** 

最后使用一个Baidu新闻来测试我们的代码:说明我们的代码是通用的。

    /** 
 * 使用百度新闻,只设置url和关键字与返回类型 
 */ 
@org.junit.Test 
public void getDatasByCssQueryUserBaidu() 
{ 
  Rule rule = new Rule("http://news.baidu.com/ns", 
      new String[] { "word" }, new String[] { "支付宝" }, 
      null, -1, Rule.GET); 
  List<LinkTypeData> extracts = ExtractService.extract(rule); 
  printf(extracts); 
} 

我们只设置了链接、关键字、和请求类型,不设置具体的筛选条件。

结果:有一定的垃圾数据是肯定的,但是需要的数据肯定也抓取出来了。我们可以设置Rule.SECTION,以及筛选条件进一步的限制。

按时间排序 
/ns?word=支付宝&ie=utf-8&bs=支付宝&sr=0&cl=2&rn=20&tn=news&ct=0&clk=sortbytime 
*********************************** 
x 
javascript:void(0) 
*********************************** 
支付宝将联合多方共建安全基金 首批投入4000万 
http://finance.ifeng.com/a/20140409/12081871_0.shtml 
*********************************** 
7条相同新闻 
/ns?word=%E6%94%AF%E4%BB%98%E5%AE%9D+cont:2465146414%7C697779368%7C3832159921&same=7&cl=1&tn=news&rn=30&fm=sd 
*********************************** 
百度快照 
http://cache.baidu.com/c?m=9d78d513d9d437ab4f9e91697d1cc0161d4381132ba7d3020cd0870fd33a541b0120a1ac26510d19879e20345dfe1e4bea876d26605f75a09bbfd91782a6c1352f8a2432721a844a0fd019adc1452fc423875d9dad0ee7cdb168d5f18c&p=c96ec64ad48b2def49bd9b780b64&newp=c4769a4790934ea95ea28e281c4092695912c10e3dd796&user=baidu&fm=sc&query=%D6%A7%B8%B6%B1%A6&qid=a400f3660007a6c5&p1=1 
*********************************** 
OpenSSL漏洞涉及众多网站 支付宝称暂无数据泄露 
http://tech.ifeng.com/internet/detail_2014_04/09/35590390_0.shtml 
*********************************** 
26条相同新闻 
/ns?word=%E6%94%AF%E4%BB%98%E5%AE%9D+cont:3869124100&same=26&cl=1&tn=news&rn=30&fm=sd 
*********************************** 
百度快照 
http://cache.baidu.com/c?m=9f65cb4a8c8507ed4fece7631050803743438014678387492ac3933fc239045c1c3aa5ec677e4742ce932b2152f4174bed843670340537b0efca8e57dfb08f29288f2c367117845615a71bb8cb31649b66cf04fdea44a7ecff25e5aac5a0da4323c044757e97f1fb4d7017dd1cf4&p=8b2a970d95df11a05aa4c32013&newp=9e39c64ad4dd50fa40bd9b7c5253d8304503c52251d5ce042acc&user=baidu&fm=sc&query=%D6%A7%B8%B6%B1%A6&qid=a400f3660007a6c5&p1=2 
*********************************** 
雅虎日本6月起开始支持支付宝付款 
http://www.techweb.com.cn/ucweb/news/id/2025843 
*********************************** 

如果有什么不足,可以指出;如果觉得对你有用,顶一下~~哈哈

源码下载,点击这里。

以上就是Java 爬虫信息抓取的实例,后续继续补充相关资料,谢谢大家对本站的支持!

相关文章

最新评论