小说爬虫之JAVA代码的实现(附代码)

第一次采用Markdown看看效果。

• 思路：首先找到一篇小说，获取第一章小说的URL，然后根据该URL来获取该章小说的标题、内容和下一章的URL。之后重复类似动作，就能获取到整篇小说的内容了。

• 实现方法：这里语言采用==Java==，使用了jsoup。jsoup简单的使用方法可以参考这里。

• 实现过程：首先找到一篇小说，这里以“神墓”为例，我们打开第一章，然后查看网页源代码。
  在源码中我们可以看到下一页的url、文章标题和小说内容。我们可以先获取一个Document对象，然后分别根据Element的Id或者样式来获取小说的内容、标题或者下一页URL。

  1. 小说中的下一页地址
     
  2. 小说的标题
     
  3. 小说的内容
     
  4. 小说的下一页地址也可以从这里获取
     

• 实现代码：新建一个项目spider，导入jsoup-1.7.3.jar包。

  1. 新建com.dapeng.bean包，在该包下新建类Article。其主要代码如下：

package com.dapeng.bean;

public class Article {

    private String id;//id
    private String title;//标题
    private String content;//内容
    private String url;//当前章节url
    private String nextUrl;//下一章url
    /**
    *省略getter、setter方法
    */
    @Override
    public String toString() {
        return "Article [id=" + id + ", title=" + title + ", content="
                + content + ", url=" + url + ", nextUrl=" + nextUrl + "]";
    }
}

2.新建com.dapeng.method包，在该包下新建UtilMethod类。主要用于实现获取文章标题、内容、下一章URL等方法。其代码如下：

package com.dapeng.method;

import java.io.IOException;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;

import com.dapeng.bean.Article;

public class UtilMethod {

    /**
     * 根据url获取Document对象
     * @param url 小说章节url
     * @return Document对象
     */
    public static Document getDocument(String url){
        Document doc = null;
        try {
            doc = Jsoup.connect(url).timeout(5000).get();
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
        return doc;
    }
    /**
     * 根据获取的Document对象找到章节标题
     * @param doc
     * @return 标题
     */
    public static String getTitle(Document doc){
        return doc.getElementById("title").text();
    }

    /**
     * 根据获取的Document对象找到小说内容
     * @param doc
     * @return 内容
     */
    public static String getContent(Document doc){
        if(doc.getElementById("content") != null){
            return doc.getElementById("content").text();
        }else{
            return null;
        }

    }
    /**
     * 根据获取的Document对象找到下一章的Url地址
     * @param doc
     * @return 下一章Url
     */
    public static String getNextUrl(Document doc){
        Element ul = doc.select("ul").first();
        String regex = "<li><a href=\"(.*?)\">下一页<\\/a><\\/li>";
        Pattern pattern = Pattern.compile(regex);
        Matcher matcher = pattern.matcher(ul.toString());
        Document nextDoc = null;
        if (matcher.find()) {
            nextDoc = Jsoup.parse(matcher.group());
            Element href = nextDoc.select("a").first();
            return "http://www.bxwx.org/b/5/5131/" + href.attr("href");
        }else{
            return null;
        }


    }

    /**
     * 根据url获取id
     * @param url
     * @return id 
     */
    public static String getId(String url){
        String urlSpilts[] = url.split("/");
        return (urlSpilts[urlSpilts.length - 1]).split("\\.")[0];
    }

    /**
     * 根据小说的Url获取一个Article对象
     * @param url
     * @return
     */
    public static Article getArticle(String url){
        Article article = new Article();        
        article.setUrl(url);
        Document doc = getDocument(url);
        article.setId(getId(url));
        article.setTitle(getTitle(doc));
        article.setNextUrl(getNextUrl(doc));
        article.setContent(getContent(doc));
        return article;
    }


}

3.新建com.dapeng.test包，用于测试获取整篇小说。新建GetArticles类。其代码如下：

package com.dapeng.test;

import com.dapeng.bean.Article;
import com.dapeng.method.UtilMethod;

public class GetArticles {

    /**
     * @param args
     */
    public static void main(String[] args) {
        // TODO Auto-generated method stub

        String firstUrl = "http://www.bxwx.org/b/5/5131/832882.html";
        Article article = UtilMethod.getArticle(firstUrl);
        while(article.getNextUrl() != null && article.getContent() != null && !article.getId().equals("996627")){
            article = UtilMethod.getArticle(article.getNextUrl());
            System.out.println(article.getId()+"----"+article.getTitle());
        }
    }

}

运行GetArticles方法，可以看到类似如下的效果：

832883----第一卷 从神墓中走出 第二章 沧海桑田
832884----第一卷 从神墓中走出 第三章 人世悠悠
832885----第一卷 从神墓中走出 第四章 无解之谜
832886----第一卷 从神墓中走出 第五章 惊艳
832887----第一卷 从神墓中走出 第六章 公主
832888----第一卷 从神墓中走出 第七章 小恶魔
832889----第一卷 从神墓中走出 第八章 烈火仙莲
832890----第一卷 从神墓中走出 第九章 百丈巨蛇
....

到这里该代码就告一段落了。后续的就不再进行了，比如说将小说插入数据库，然后自己搭建一个小说站点，或者将小说写入到一个txt文档中，不用再看那烦人的广告了。等等。。这里就不再进行了。

最后代码附上。