原创识别失败

今天我们使用Java语言写一个爬虫，用来爬取csdn首页推荐博客的博主，看看这些博主有多少人在写微信公众号。

一、爬虫原理
爬虫就是去请求某个url，然后将响应的页面进行解析，将解析到的数据保存，同时解析出当前页面的url，继续进行爬取，一直循环下去，爬取当前网站的内容。

二、分析CSDN页面数据
因为我们的目标很明确，就是去分析首页推荐博客博主写微信公众号的比例，因此我们只需要找到我们需要的数据进行保存即可，不需要爬取网站的全部数据。

2.1 找到CSDN首页的博客链接
在浏览器输入csdn首页链接https://www.csdn.net/，

找到我们爬取的目标，如下图所示

使用f12查看目标元素

根据目标元素，我们可以提取两个关键元素，其一是目标链接在<a></a>中，其二是博客地址的格式为https://blog.csdn.net/+“用户名”+/article/details/+“文章标识”（记住这个博客地址，后面有用）。

2.2 提取设置了公众号信息的博主
在文章详情页面有博主相关的信息，csdn博客左侧有一块

是博主用来自定义信息的，如下图：

还是一样，f12来查看DOM元素，发现这一块内容在id=asideCustom的

中。

2.3 爬取思路
通过爬取首页，解析出所有a标签

筛选a标签，根据博客地址格式，匹配到所有的博客地址

爬取博客地址，解析id=asideCustom的

如果第3步可以解析出来，则说名该博主设置了自定义信息

三、编写爬虫
根据上面的分析我们需要两个工具包，一个是httpclient用于网络请求，另一个是用来解析DOM元素的jsoup。

<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpclient</artifactId>
    <version>4.5.10</version>
</dependency>

<!-- 添加jsoup支持 -->
<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.10.1</version>
</dependency>
1
2
3
4
5
6
7
8
9
10
11
12
网络调用伪代码

public static ArrayList<Document> HttpUtil(HashSet<String> urls){
    CloseableHttpClient httpClient = HttpClients.createDefault();
    CloseableHttpResponse response = null;
    ArrayList<Document> list = new ArrayList<>();
    try {
        for(String url : urls){
            HttpGet request = new HttpGet(url);
            response = httpClient.execute(request);

            //判断响应状态为200，请求成功，进行处理
            if(response.getStatusLine().getStatusCode() == 200) {
                HttpEntity httpEntity = response.getEntity();
                String html = EntityUtils.toString(httpEntity, "utf-8");
                Document document = Jsoup.parse(html);
                list.add(document);
            } else {
                System.out.println("返回状态不是200");
            }
        }
    } catch (ClientProtocolException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    } finally {
        HttpClientUtils.closeQuietly(response);
        HttpClientUtils.closeQuietly(httpClient);
    }
    return list;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
调用及解析伪代码

public static void main(String[] args) {

    // 标记有多少博主设置了自定义信息
    int i = 0;
    // 首页url
    HashSet<String> url = new HashSet<>();
    // 文章urls
    HashSet<String> articleUrls = new HashSet<>();
    url.add("https://www.csdn.net/");
    // 爬取csdn首页
    ArrayList<Document> list = HttpUtil(url);
    // 选择a标签
    for(Document document : list){
        Elements a = document.select("a");
        for(Element element : a){
            // 获取a中的url
            // <a href = "https://xxxx"> </a>
            String href = element.attr("href");
            // 筛选博客地址
            if(href.contains("article/details")){
                articleUrls.add(href);
            }
        }
    }
    ArrayList<Document> list2 = HttpUtil(articleUrls);
    for(Document document : list2){
        Element asideCustom = document.getElementById("asideCustom");
        if(asideCustom != null){
            i++;
        }
    }
    // 输出爬取的文章数量 和 设置了自定义信息的博主数量
    System.out.println("爬取的文章数量="+articleUrls.size()+"\n"+"写公众号的博主数量="+i);
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

24
25
26
27
28
29
30
31
32
33
34
控制台输出信息

爬取的文章数量=25
写公众号的博主数量=5
1
2
四、结尾
从上面的结果中可以看出，在25篇博客中，就有五个博主在写公众号。但是，这个数据并不能说明csdn的1/5博主就在更新自己的公众号。

csdn首页推荐数据是分页拉去的，爬虫只能爬取到第一页的数据，也就是25条
有些博主虽然设置了自定义信息，但是并不是公众号
有些博主虽然没有设置自定义信息，但是在简介或者其他地方留了公众号名称
不过这些都没关系，本文的重点是使用java语言写个爬虫程序，来爬取目标数据。
————————————————
版权声明：本文为CSDN博主「Java旅途」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_37968982/article/details/120280486