Java爬虫

转载自：http://blog.csdn.net/lmj623565791/article/details/23272657

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：

[java]  view plain  copy

 

1. Document doc = Jsoup.connect("http://www.oschina.net/")   
2.  .data("query", "Java")   // 请求参数  
3.  .userAgent("I ’ m jsoup") // 设置 User-Agent   
4.  .cookie("auth", "token") // 设置 cookie   
5.  .timeout(3000)           // 设置连接超时时间  
6.  .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

[java]  view plain  copy

 

1. package com.zhy.spider.rule;  
2.   
3. /** 
4.  * 规则类 
5.  *  
6.  * @author zhy 
7.  *  
8.  */  
9. public class Rule  
10. {  
11.     /** 
12.      * 链接 
13.      */  
14.     private String url;  
15.   
16.     /** 
17.      * 参数集合 
18.      */  
19.     private String[] params;  
20.     /** 
21.      * 参数对应的值 
22.      */  
23.     private String[] values;  
24.   
25.     /** 
26.      * 对返回的HTML，第一次过滤所用的标签，请先设置type 
27.      */  
28.     private String resultTagName;  
29.   
30.     /** 
31.      * CLASS / ID / SELECTION 
32.      * 设置resultTagName的类型，默认为ID  
33.      */  
34.     private int type = ID ;  
35.       
36.     /** 
37.      *GET / POST 
38.      * 请求的类型，默认GET 
39.      */  
40.     private int requestMoethod = GET ;   
41.       
42.     public final static int GET = 0 ;  
43.     public final static int POST = 1 ;  
44.       
45.   
46.     public final static int CLASS = 0;  
47.     public final static int ID = 1;  
48.     public final static int SELECTION = 2;  
49.   
50.     public Rule()  
51.     {  
52.     }  
53.   
54.       
55.     public Rule(String url, String[] params, String[] values,  
56.             String resultTagName, int type, int requestMoethod)  
57.     {  
58.         super();  
59.         this.url = url;  
60.         this.params = params;  
61.         this.values = values;  
62.         this.resultTagName = resultTagName;  
63.         this.type = type;  
64.         this.requestMoethod = requestMoethod;  
65.     }  
66.   
67.     public String getUrl()  
68.     {  
69.         return url;  
70.     }  
71.   
72.     public void setUrl(String url)  
73.     {  
74.         this.url = url;  
75.     }  
76.   
77.     public String[] getParams()  
78.     {  
79.         return params;  
80.     }  
81.   
82.     public void setParams(String[] params)  
83.     {  
84.         this.params = params;  
85.     }  
86.   
87.     public String[] getValues()  
88.     {  
89.         return values;  
90.     }  
91.   
92.     public void setValues(String[] values)  
93.     {  
94.         this.values = values;  
95.     }  
96.   
97.     public String getResultTagName()  
98.     {  
99.         return resultTagName;  
100.     }  
101.   
102.     public void setResultTagName(String resultTagName)  
103.     {  
104.         this.resultTagName = resultTagName;  
105.     }  
106.   
107.     public int getType()  
108.     {  
109.         return type;  
110.     }  
111.   
112.     public void setType(int type)  
113.     {  
114.         this.type = type;  
115.     }  
116.   
117.     public int getRequestMoethod()  
118.     {  
119.         return requestMoethod;  
120.     }  
121.   
122.     public void setRequestMoethod(int requestMoethod)  
123.     {  
124.         this.requestMoethod = requestMoethod;  
125.     }  
126.   
127. }  

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

[java]  view plain  copy

 

1. package com.zhy.spider.bean;  
2.   
3. public class LinkTypeData  
4. {  
5.     private int id;  
6.     /** 
7.      * 链接的地址 
8.      */  
9.     private String linkHref;  
10.     /** 
11.      * 链接的标题 
12.      */  
13.     private String linkText;  
14.     /** 
15.      * 摘要 
16.      */  
17.     private String summary;  
18.     /** 
19.      * 内容 
20.      */  
21.     private String content;  
22.     public int getId()  
23.     {  
24.         return id;  
25.     }  
26.     public void setId(int id)  
27.     {  
28.         this.id = id;  
29.     }  
30.     public String getLinkHref()  
31.     {  
32.         return linkHref;  
33.     }  
34.     public void setLinkHref(String linkHref)  
35.     {  
36.         this.linkHref = linkHref;  
37.     }  
38.     public String getLinkText()  
39.     {  
40.         return linkText;  
41.     }  
42.     public void setLinkText(String linkText)  
43.     {  
44.         this.linkText = linkText;  
45.     }  
46.     public String getSummary()  
47.     {  
48.         return summary;  
49.     }  
50.     public void setSummary(String summary)  
51.     {  
52.         this.summary = summary;  
53.     }  
54.     public String getContent()  
55.     {  
56.         return content;  
57.     }  
58.     public void setContent(String content)  
59.     {  
60.         this.content = content;  
61.     }  
62. }  

3、核心的查询类：ExtractService.java

[java]  view plain  copy

 

1. package com.zhy.spider.core;  
2.   
3. import java.io.IOException;  
4. import java.util.ArrayList;  
5. import java.util.List;  
6. import java.util.Map;  
7.   
8. import javax.swing.plaf.TextUI;  
9.   
10. import org.jsoup.Connection;  
11. import org.jsoup.Jsoup;  
12. import org.jsoup.nodes.Document;  
13. import org.jsoup.nodes.Element;  
14. import org.jsoup.select.Elements;  
15.   
16. import com.zhy.spider.bean.LinkTypeData;  
17. import com.zhy.spider.rule.Rule;  
18. import com.zhy.spider.rule.RuleException;  
19. import com.zhy.spider.util.TextUtil;  
20.   
21. /** 
22.  *  
23.  * @author zhy 
24.  *  
25.  */  
26. public class ExtractService  
27. {  
28.     /** 
29.      * @param rule 
30.      * @return 
31.      */  
32.     public static List<LinkTypeData> extract(Rule rule)  
33.     {  
34.   
35.         // 进行对rule的必要校验  
36.         validateRule(rule);  
37.   
38.         List<LinkTypeData> datas = new ArrayList<LinkTypeData>();  
39.         LinkTypeData data = null;  
40.         try  
41.         {  
42.             /** 
43.              * 解析rule 
44.              */  
45.             String url = rule.getUrl();  
46.             String[] params = rule.getParams();  
47.             String[] values = rule.getValues();  
48.             String resultTagName = rule.getResultTagName();  
49.             int type = rule.getType();  
50.             int requestType = rule.getRequestMoethod();  
51.   
52.             Connection conn = Jsoup.connect(url);  
53.             // 设置查询参数  
54.   
55.             if (params != null)  
56.             {  
57.                 for (int i = 0; i < params.length; i++)  
58.                 {  
59.                     conn.data(params[i], values[i]);  
60.                 }  
61.             }  
62.   
63.             // 设置请求类型  
64.             Document doc = null;  
65.             switch (requestType)  
66.             {  
67.             case Rule.GET:  
68.                 doc = conn.timeout(100000).get();  
69.                 break;  
70.             case Rule.POST:  
71.                 doc = conn.timeout(100000).post();  
72.                 break;  
73.             }  
74.   
75.             //处理返回数据  
76.             Elements results = new Elements();  
77.             switch (type)  
78.             {  
79.             case Rule.CLASS:  
80.                 results = doc.getElementsByClass(resultTagName);  
81.                 break;  
82.             case Rule.ID:  
83.                 Element result = doc.getElementById(resultTagName);  
84.                 results.add(result);  
85.                 break;  
86.             case Rule.SELECTION:  
87.                 results = doc.select(resultTagName);  
88.                 break;  
89.             default:  
90.                 //当resultTagName为空时默认去body标签  
91.                 if (TextUtil.isEmpty(resultTagName))  
92.                 {  
93.                     results = doc.getElementsByTag("body");  
94.                 }  
95.             }  
96.   
97.             for (Element result : results)  
98.             {  
99.                 Elements links = result.getElementsByTag("a");  
100.   
101.                 for (Element link : links)  
102.                 {  
103.                     //必要的筛选  
104.                     String linkHref = link.attr("href");  
105.                     String linkText = link.text();  
106.   
107.                     data = new LinkTypeData();  
108.                     data.setLinkHref(linkHref);  
109.                     data.setLinkText(linkText);  
110.   
111.                     datas.add(data);  
112.                 }  
113.             }  
114.   
115.         } catch (IOException e)  
116.         {  
117.             e.printStackTrace();  
118.         }  
119.   
120.         return datas;  
121.     }  
122.   
123.     /** 
124.      * 对传入的参数进行必要的校验 
125.      */  
126.     private static void validateRule(Rule rule)  
127.     {  
128.         String url = rule.getUrl();  
129.         if (TextUtil.isEmpty(url))  
130.         {  
131.             throw new RuleException("url不能为空！");  
132.         }  
133.         if (!url.startsWith("http://"))  
134.         {  
135.             throw new RuleException("url的格式不正确！");  
136.         }  
137.   
138.         if (rule.getParams() != null && rule.getValues() != null)  
139.         {  
140.             if (rule.getParams().length != rule.getValues().length)  
141.             {  
142.                 throw new RuleException("参数的键值对个数不匹配！");  
143.             }  
144.         }  
145.   
146.     }  
147.   
148.   
149. }  

4、里面用了一个异常类：RuleException.java

[java]  view plain  copy

 

1. package com.zhy.spider.rule;  
2.   
3. public class RuleException extends RuntimeException  
4. {  
5.   
6.     public RuleException()  
7.     {  
8.         super();  
9.         // TODO Auto-generated constructor stub  
10.     }  
11.   
12.     public RuleException(String message, Throwable cause)  
13.     {  
14.         super(message, cause);  
15.         // TODO Auto-generated constructor stub  
16.     }  
17.   
18.     public RuleException(String message)  
19.     {  
20.         super(message);  
21.         // TODO Auto-generated constructor stub  
22.     }  
23.   
24.     public RuleException(Throwable cause)  
25.     {  
26.         super(cause);  
27.         // TODO Auto-generated constructor stub  
28.     }  
29.   
30. }  

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

[java]  view plain  copy

 

1. package com.zhy.spider.test;  
2.   
3. import java.util.List;  
4.   
5. import com.zhy.spider.bean.LinkTypeData;  
6. import com.zhy.spider.core.ExtractService;  
7. import com.zhy.spider.rule.Rule;  
8.   
9. public class Test  
10. {  
11.     @org.junit.Test  
12.     public void getDatasByClass()  
13.     {  
14.         Rule rule = new Rule(  
15.                 "http://www1.sxcredit.gov.cn/public/infocomquery.do?method=publicIndexQuery",  
16.         new String[] { "query.enterprisename","query.registationnumber" }, new String[] { "兴网","" },  
17.                 "cont_right", Rule.CLASS, Rule.POST);  
18.         List<LinkTypeData> extracts = ExtractService.extract(rule);  
19.         printf(extracts);  
20.     }  
21.   
22.     @org.junit.Test  
23.     public void getDatasByCssQuery()  
24.     {  
25.         Rule rule = new Rule("http://www.11315.com/search",  
26.                 new String[] { "name" }, new String[] { "兴网" },  
27.                 "div.g-mn div.con-model", Rule.SELECTION, Rule.GET);  
28.         List<LinkTypeData> extracts = ExtractService.extract(rule);  
29.         printf(extracts);  
30.     }  
31.   
32.     public void printf(List<LinkTypeData> datas)  
33.     {  
34.         for (LinkTypeData data : datas)  
35.         {  
36.             System.out.println(data.getLinkText());  
37.             System.out.println(data.getLinkHref());  
38.             System.out.println("***********************************");  
39.         }  
40.   
41.     }  
42. }  

输出结果：

[java]  view plain  copy

 

1. 深圳市网兴科技有限公司  
2. http://14603257.11315.com  
3. ***********************************  
4. 荆州市兴网公路物资有限公司  
5. http://05155980.11315.com  
6. ***********************************  
7. 西安市全兴网吧  
8. #  
9. ***********************************  
10. 子长县新兴网城  
11. #  
12. ***********************************  
13. 陕西同兴网络信息有限责任公司第三分公司  
14. #  
15. ***********************************  
16. 西安高兴网络科技有限公司  
17. #  
18. ***********************************  
19. 陕西同兴网络信息有限责任公司西安分公司  
20. #  
21. ***********************************  

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。

[java]  view plain  copy

 

1.         /** 
2.  * 使用百度新闻，只设置url和关键字与返回类型 
3.  */  
4. @org.junit.Test  
5. public void getDatasByCssQueryUserBaidu()  
6. {  
7.     Rule rule = new Rule("http://news.baidu.com/ns",  
8.             new String[] { "word" }, new String[] { "支付宝" },  
9.             null, -1, Rule.GET);  
10.     List<LinkTypeData> extracts = ExtractService.extract(rule);  
11.     printf(extracts);  
12. }  

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。

[html]  view plain  copy

 

1. 按时间排序  
2. /ns?word=支付宝&ie=utf-8&bs=支付宝&sr=0&cl=2&rn=20&tn=news&ct=0&clk=sortbytime  
3. ***********************************  
4. x  
5. javascript:void(0)  
6. ***********************************  
7. 支付宝将联合多方共建安全基金 首批投入4000万  
8. http://finance.ifeng.com/a/20140409/12081871_0.shtml  
9. ***********************************  
10. 7条相同新闻  
11. /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  
12. ***********************************  
13. 百度快照  
14. 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  
15. ***********************************  
16. OpenSSL漏洞涉及众多网站 支付宝称暂无数据泄露  
17. http://tech.ifeng.com/internet/detail_2014_04/09/35590390_0.shtml  
18. ***********************************  
19. 26条相同新闻  
20. /ns?word=%E6%94%AF%E4%BB%98%E5%AE%9D+cont:3869124100&same=26&cl=1&tn=news&rn=30&fm=sd  
21. ***********************************  
22. 百度快照  
23. 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  
24. ***********************************  
25. 雅虎日本6月起开始支持支付宝付款  
26. http://www.techweb.com.cn/ucweb/news/id/2025843  
27. ***********************************