JAVA爬数据也是杠杠的，看我爬下杜大哥

阅读文本大概需要6分钟。

上篇分析的网站是国家级，没有真正编写代码爬取对应的数据，今天以“1药网”为例来爬一爬药品数据

        https://www.111.com.cn/

1、分析网站

进入网站首页

2、点击一下“所有商品分类”，对应的网站地址如下

https://www.111.com.cn/categories/

先爬取所有的“分类”，然后在根据“分类”获取分类下的所有商品。

发起Get请求的方法

public static String sendGet(String url){
    String result = null;
    //CreatesCloseableHttpClient instance with default configuration.
    CloseableHttpClienthttpCilent = HttpClients.createDefault();
    HttpGethttpGet = new HttpGet(url);
    try {
        CloseableHttpResponse response =httpCilent.execute(httpGet);
        Stringresult = EntityUtils.toString(response.getEntity()) ;
        System.out.println(result);
    }catch (IOException e) {
        e.printStackTrace();
    }finally {
        try{
            httpCilent.close();//释放资源
        }catch (IOException e) {
            e.printStackTrace();
        }
    }
    returnresult;
}

获取“药品分类”的HTML页面

public static  String getCategories(){

    String html =  HttpUtils.sendGet("https://www.111.com.cn/categories/");

    return html;

}

3、分析爬取到的药品分类的HTML，认真看图

把界面上所有的分类链接解析出来

4、解析所有分类链接

5、     public static List<String> processCategoriesHtml(String html){

    List<String> links = new ArrayList<String>();

    if(html!=null && !"".equals(html.trim())){

        try {

            Parser parser = new Parser(html);

            //定义一个Filter，过滤主题a

            NodeFilter afilter = new NodeClassFilter(LinkTag.class);//A过滤器

            NodeList nodeList =  parser.extractAllNodesThatMatch(afilter);

            for(int i=0; i<nodeList.size(); i++){

                Node aNode =  nodeList.elementAt(i);

                LinkTag aLinkTag =  (LinkTag)aNode;

                if(aLinkTag.getLink()!=null && aLinkTag.getLink().contains("categories")){

                    links.add(aLinkTag.getLink());

                    System.out.println(aLinkTag.getLink());

                }

            }

        }catch (Exception e){

            e.printStackTrace();

        }



    }

    return links;

}

 

6、下面来看看“杜蕾斯”的兄弟没到底有多少

在第五步爬出来的连接有如下

//www.111.com.cn/categories/965327-j1

一个连接，同样先爬取HTML页面

public static String getDLS_Html(){

    String html =  HttpUtils.sendGet("https://www.111.com.cn/categories/965327-j1");

    return html;

}

分析获取到HTML

每个“杜大哥”的连接都有product和class="product_pic pro_img"。用如下代码即可获取所有的“杜蕾斯”兄弟的商品链接

public staticList<String>processDLSHtml(String html){

    List<String> links = new ArrayList<String>();

    if(html!=null && !"".equals(html.trim())){

        try {

            Parser parser = new Parser(html);

            //定义一个Filter，过滤主题em

            NodeFilter afilter = new NodeClassFilter(LinkTag.class);//A过滤器

            NodeList nodeList =  parser.extractAllNodesThatMatch(afilter);

            for(int i=0; i<nodeList.size(); i++){

                Node aNode =  nodeList.elementAt(i);

                LinkTag aLinkTag =  (LinkTag)aNode;

                if(aLinkTag.getLink()!=null && aLinkTag.getLink().contains("product")){

                    links.add(aLinkTag.getLink());

                    System.out.println(aLinkTag.getLink());

                }

            }

        }catch (Exception e){

            e.printStackTrace();

        }



    }

    return links;

}

 

7、接下来就可以获取所有的商品规格了，哪款卖的多都可以分析出来哦

同样先获取页面详情

public staticStringgetDLSDetail_Html(String url){

    String html =  HttpUtils.sendGet("https:"+url);

    return html;

}

然后分析HTML可以知道只要分析下图这个div的信息就可以获取“杜大哥”的所有信息了。这个留给大家分析分析下看看怎获取。

☆

往期精彩

☆

01 漫谈发版哪些事，好课程推荐

02 Linux的常用最危险的命令

03 精讲Spring Boot—入门+进阶+实例

04 优秀的Java程序员必须了解的GC哪些

05 互联网支付系统整体架构详解

关注我

每天进步一点点

很干！在看吗？☟