最近闲来无事,就自己写了一个爬虫程序。可能有人会好奇,为什么不用python写呢?答案是:傲娇。我就傲娇的用java写了,怎么滴!其实我是用python写过的,不是说了闲来无事的嘛,用java写写又怎么滴?
首先说说爬虫思路:
1.找到需要爬取的网页。
2.分析网页上面的html元素
3.爬取解析自己想要的信息
话不多说,直接开干。
我觉得大家应该都比较关心房价的,那我们就从链家爬取房价吧。链家地址
看到这里了吧,我们来分析一下,首先名字理想城是需要的吧,其次是商业类这个也是需要关注的吧,因为我们买房子肯定是买住宅一类的,然后房子的位置东中环仙桥北是需要的,房子售价16000是需要的吧。
这就是我们关注的元素,也是我们待会需要爬取的数据。开工。
我利用的是httpclient来抓去整个网页。代码如下:
public String getHtmlString(String url) throws Exception {
HttpClient client = HttpClients.createDefault();
HttpGet get = new HttpGet(url);
CloseableHttpResponse response = (CloseableHttpResponse) client.execute(get);
HttpEntity entity = response.getEntity();
String body = EntityUtils.toString(entity, "UTF-8");
return body;
}
然后去网页分析我们需要的元素
我这里给出第一个分析,其余都是一样的原理的。因为网站页面经常在变的,所有到时候以你自己网页上面显示的标签为准(我自己写爬虫玩的时候,和现在写教程标签都不是完全一样的)。上面返回的body是整个网页的字符串,内容就和你查看网页源码的效果差不多的,只不过上面用的字符串把所有不必要的空格都去掉了。解析网页,我用的是jsoup。
Document document = Jsoup.parse(html);
Elements name = document.select(".resblock-name a");
Elements location = document.select(".resblock-location a");
Elements type = document.select(".resblock-type");
Elements price = document.select(".number");
这些元素本来应该是直接迭代,如下所示
Iterator iterator = name.iterator();
但是经过我的观察,我发现可以这样
String[] strings = name.text().split(" ");
当然我这种写法不规范的,只是这里刚好可以这样用而已的,万一文字里面多了几个空格,还是老老实实的用迭代器迭代吧。
String[] names = name.text().split(" ");
String[] locations = location.text().split(" ");
String[] prices = price.text().split(" ");
String[] types = type.text().split(" ");
for (int i = 0; i < names.length; ++i) {
House house = new House();
house.setName(names[i]);
house.setType(types[i]);
house.setLocation(locations[i]);
house.setPrice(prices[i]);
DB.save(house);
}
我这里这样写是取巧了,因为每个元素都是刚好配套的,如果稍微有一个元素乱了,整个数据就乱了,如果作为入门级的教程,我觉得这样写应该便于理解的。如果你不明白,你自己打印输出一下对应的字符串应该就可以懂了。最后我们要对每条数据进行存库的,不然你数据爬取就浪费了。
先写一个测试爬取。
DoMain doMain = new DoMain();
System.out.println("---------开始爬取----------------------");
doMain.parseHtml(doMain.getHtmlString(url));
System.out.println("---------结束爬取----------------------");
爬取结果如下:
一页的数据明显满足不了我的需求嘛,继续第二页走起。
仔细对比第二页和第三页的链接地址,你就发现了规律是不是,当然你发的规律可能和我图中显示不一样的,这个没有关系,你按照你发现的规律走就是了。修改过后的代码如下:
DoMain doMain = new DoMain();
System.out.println("---------开始爬取----------------------");
for (int i = 1; i < 109; ++i) {
doMain.parseHtml(doMain.getHtmlString("https://cd.fang.lianjia.com/loupan/pg" + i + "/"));
System.out.println(i);
}
System.out.println("---------结束爬取----------------------");
那句打印输出是在控制台看看程序是否是正常运行的,因为有可能会被封ip地址的。为什么循环到109?因为我写这篇的文章的时候链家数据只有109页的。
完成案列下载
end