输入想爬取的列表页url
利用okhttp拿到url对应的列表页HTML
Jsoup将列表页HTML进行解析,拿到想要的话题a标签->话题url
再一次通过okhttp,话题url拿到话题的HTML
话题的HTML,话题的url(那一条是否抓过),首页的模块大类小类(Enum枚举),列表页url(表明抓到了哪一页)存入mongo数据库
抓取数据完成
用的时候将数据取出来,比如拿到话题html,Jsoup解析后拿到话题页需要的文本信息,将其存入mysql
将大段话题HTML存入mongo原因:如果网站将一部分话题删除掉,那么对应的话题内文本也会丢失,将话题HTML存入mongo,可以将数据长期保存,随用随取
不在Mongo中存需要的文本信息的原因:当数据量过大要删除一部分html的时候,若需要的信息和HTML存在了一起,则会被一起删除掉,造成数据丢失