Java网络爬虫抓取新浪微博个人微博记录

在正题之前，先了解一下java下抓取网页上特定内容的方法，也就是所谓的网络爬虫，在本文中只会涉及简单的文字信息与链接爬取。java中访问http的方式不外乎两种，一种是使用原生态的httpconnection，还有一种是使用封装好的插件或框架，如httpclient，okHttp等。在测试爬取网页信息的过程中，本人是使用的jsoup工具，因为该工具不仅仅封装了http访问，还有强大的html解析功能，详细使用教程可参考http://www.open-open.com/jsoup/。

第一步，访问目标网页

Document doc = Jsoup.connect("http://bbs.my0511.com/f152b").get();

     第二步，根据网页所需内容的特定元素使用jsoup的选择器选取（使用正则表达式效率更高），在这个例子中，目标网页是一个论坛，而我们所需要做的是爬取论坛首页所有帖子的标题名与链接地址。

先打开目标网址，使用谷歌浏览器浏览网页结构，找到结构所对应的内容，如下图所示

接着选取区域

Elements links = doc.getElementsByAttributeValue("id","lphymodelsub"); 

   接下来对选取区域的内容进行获取，保存到数组中

for (Element link : links) {  

CatchModel c = new CatchModel();
String linkHref = "http://bbs.my0511.com"+link.parent().attr("href");  
String linkText = link.text();  
c.setText(linkText);
c.setUrl(linkHref);
fistCatchList.add(c); 
}  

这样一个简单的抓取就完成了。

接下来就是新浪微博的抓取，一般的http访问新浪微博网站得到的html都是很简略的，因为新浪微博主页是用js动态生成的并且要进过多次的http请求与验证才能访问成功，所以为了数据抓取的简便，我们走一个后门，也就是访问新浪微博的手机端，weibo.cn进行抓取，但随之而来的一个问题是，新浪微博的访问不管哪一端都需要强制的登陆验证，所以我们需要在http请求的时候附带一个cookie进行用户验证。在网上找了好久使用webcontroller这个开源的爬虫框架，访问很简便，效率也高，那记下来我们就看看如何使用这个框架。

首先需要导入依赖的包，WebController的ja包与selenium的jar包

下载地址：http://download.csdn.net/detail/u013407099/9409372

利用Selenium获取登陆新浪微博weibo.cn的cookie(WeiboCN.java)
利用WebCollector和获取的cookie爬取新浪微博并抽取数据(WeiboCrawler.java)

WeiboCN.java

import java.util.Set;
import org.openqa.selenium.Cookie;
import org.openqa.selenium.WebElement;
import org.openqa.selenium.htmlunit.HtmlUnitDriver;

/**
 * 利用Selenium获取登陆新浪微博weibo.cn的cookie
 * @author hu
 */
public class WeiboCN {

    /**
     * 获取新浪微博的cookie，这个方法针对weibo.cn有效，对weibo.com无效
     * weibo.cn以明文形式传输数据，请使用小号
     * @param username 新浪微博用户名
     * @param password 新浪微博密码
     * @return
     * @throws Exception 
     */
    public static String getSinaCookie(String username, String password) throws Exception{
        StringBuilder sb = new StringBuilder();
        HtmlUnitDriver driver = new HtmlUnitDriver();
        driver.setJavascriptEnabled(true);
        driver.get("http://login.weibo.cn/login/");

        WebElement mobile = driver.findElementByCssSelector("input[name=mobile]");
        mobile.sendKeys(username);
        WebElement pass = driver.findElementByCssSelector("input[name^=password]");
        pass.sendKeys(password);
        WebElement rem = driver.findElementByCssSelector("input[name=remember]");
        rem.click();
        WebElement submit = driver.findElementByCssSelector("input[name=submit]");
        submit.click();

        Set<Cookie> cookieSet = driver.manage().getCookies();
        driver.close();
        for (Cookie cookie : cookieSet) {
            sb.append(cookie.getName()+"="+cookie.getValue()+";");
        }
        String result=sb.toString();
        if(result.contains("gsid_CTandWM")){
            return result;
        }else{
            throw new Exception("weibo login failed");
        }
    }

}

WeiboCrawler.java
import cn.edu.hfut.dmic.webcollector.model.CrawlDatum;
import cn.edu.hfut.dmic.webcollector.model.CrawlDatums;
import cn.edu.hfut.dmic.webcollector.model.Page;
import cn.edu.hfut.dmic.webcollector.net.HttpRequest;
import cn.edu.hfut.dmic.webcollector.net.HttpResponse;
import cn.edu.hfut.dmic.webcollector.plugin.berkeley.BreadthCrawler;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

/**
 * 利用WebCollector和获取的cookie爬取新浪微博并抽取数据
 * @author hu
 */
public class WeiboCrawler extends BreadthCrawler {

    String cookie;

    public WeiboCrawler(String crawlPath, boolean autoParse) throws Exception {
        super(crawlPath, autoParse);
        /*获取新浪微博的cookie，账号密码以明文形式传输，请使用小号*/
        cookie = WeiboCN.getSinaCookie("你的用户名", "你的密码");
    }

    @Override
    public HttpResponse getResponse(CrawlDatum crawlDatum) throws Exception {
        HttpRequest request = new HttpRequest(crawlDatum);
        request.setCookie(cookie);
        return request.getResponse();
    }

    @Override
    public void visit(Page page, CrawlDatums next) {
        int pageNum = Integer.valueOf(page.getMetaData("pageNum"));
        /*抽取微博*/
        Elements weibos = page.select("div.c");
        for (Element weibo : weibos) {
            System.out.println("第" + pageNum + "页\t" + weibo.text());
        }
    }

    public static void main(String[] args) throws Exception {
        WeiboCrawler crawler = new WeiboCrawler("weibo_crawler", false);
        crawler.setThreads(3);
        /*对某人微博前5页进行爬取*/
        for (int i = 1; i <= 5; i++) {
            crawler.addSeed(new CrawlDatum("http://weibo.cn/zhouhongyi?vt=4&page=" + i)
                    .putMetaData("pageNum", i + ""));
        }
        crawler.start(1);
    }

}

最新抓取方法：http://blog.csdn.net/u013407099/article/details/51424448