网络爬虫：爬取假数据
文章目录
前言
学习java过程中，值得回忆的代码。
提示：以下是本篇文章正文内容：
一、项目介绍：
爬取web页面上的百家姓和男生，女生的名字，然后组合成一个完整的姓名。
你可以指定须要的 boyCount 和 girlCount，然后会返回一个集合（顺序是打乱的，集合元素是一个类似于“傅彬远-男-19”的字符串）
二、项目来源：
黑马阿伟java系列课程：😊链接在这里😊
三、架构图：（流程图）
四、使用了什么技术：（知识点）
1.URL对象，爬取网页上的内容
2.书写正则表达式，根据正则表达式爬取内容
3.处理，拼接字符串的方法
4.Collections.shuffle();// 打乱元素的方法
5.将数据保存到本地（IO流）
五、结果示意图：
六、具体代码与分析：
1.在web网页获取数据（全部数据打包为字符串）
（1）记录网址
（2）使用crawler方法根据网址获取web网页上的数据（未处理）
//1.定义变量记录网址:百家姓，男生名，女生名
String familyNameNet = "https://hanyu.baidu.com/shici/detail?pid=0b2f26d4c0ddb3ee
693fdb1137ee1b0d&from=kg0";
String boyNameNet = "http://www.haoming8.cn/baobao/10881.html";
String girlNameNet = "http://www.haoming8.cn/baobao/7641.html";
//2.从"网址"中爬取数据（webCrawler方法）
//注意：要去确保自己可以上网，连接了WiFi
String familyNameStr = webCrawler(familyNameNet);
String boyNameStr = webCrawler(boyNameNet);
String girlNameStr = webCrawler(girlNameNet);
// webCrawler方法：从网页爬取数据
private static String webCrawler(String net) throws IOException {
StringBuilder sb = new StringBuilder();
URL url = new URL(net);// 注意1：根据参数创建一个url对象
// 返回一个 URLConnection 对象，它表示到 URL 所引用的远程对象的连接。
URLConnection conn = url.openConnection();
// 返回从此打开的连接读取的输入流。
// conn.getInputStream()返回一个字节流，InputStreamReader是转换流，字节流转为字符流，
InputStreamReader isr = new InputStreamReader(conn.getInputStream());
int ch;//注意：为什么是int ch ？而不是char ch？
while ((ch = isr.read()) != -1) {// 每次读取一个字符，直到读完为止
sb.append((char) ch);// 拼接
}
isr.close();
return sb.toString();// 返回
}
这是我们从web网页上爬取的“乱数据”
2.初步获取姓氏，名字（根据正则表达式）获取3个集合
（1）通过正则表达式处理“从网页爬取的乱数据”并放到集合当中
（2）将姓氏、名字彻底拆开来，再放到集合当中
在网页上“姓氏”，“男生名字”，“女生名字”的样式分别为：
姓氏：
男生名字：
女生名字：
（1）通过正则表达式处理“从网页爬取的乱数据”并放到集合当中：
//3.通过正则表达式，筛选数据1（getData方法）
ArrayList<String> familyNameTempList = getData(familyNameStr, "(.{4})(，|。)", 1);
ArrayList<String> boyNameTempList = getData(boyNameStr, "([\\u4E00-\\u9FA5]{2})(、|。)", 1);
ArrayList<String> girlNameTempList = getData(girlNameStr, "(.. ){4}..", 0);
//方法2：getData：去除前端代码，返回初次筛选数据的集合：
//参数：完整字符串，正则表达，分组号
private static ArrayList<String> getData(String str, String regex, int index) {
ArrayList<String> list = new ArrayList<>();
// 注意1：按照正则表达式规则，从字符串中，取获取数据
// 1.编译规则---2.创建匹配器，绑定文本---3.寻找符合要求的数据---4.返回数据
// 将给定的正则表达式编译到模式中。
Pattern pattern = Pattern.compile(regex);
// 创建匹配给定输入与此模式的匹配器。
Matcher matcher = pattern.matcher(str);
// 尝试查找与该模式匹配的输入序列的下一个子序列。
while (matcher.find()) {
// 返回由以前匹配操作所匹配的输入子序列。------注意2：有分组
list.add(matcher.group(index));
}
return list;
}
效果图：
（2）将姓氏、名字彻底拆开来，再放到集合当中：
// 4.进一步处理数据：
// familyNameList （姓氏）
// 处理方案：将每一个姓氏拆开，并添加到一个新的集合当中
ArrayList<String> familyNameList = new ArrayList<>();
for (String familyNames : familyNameTempList) {
for (int i = 0; i < familyNames.length(); i++) {
//注意：为了统一，我们最好都用字符串表示姓氏（虽然这里的形式都是单个字符）
familyNameList.add(familyNames.charAt(i) + "");
}
}
// boyNameList（男名）
// 处理方案：去除其中的重复元素
// 法1：用hashset去重-------法2：list集合，元素不重复，才添加到集合当中。
// 这里使用第2种
ArrayList<String> boyNameList = new ArrayList<>();
for (String boyName : boyNameTempList) {
if (!boyNameList.contains(boyName)) {
boyNameList.add(boyName);
}
}
// girlNameList（女名）
// 处理方案：用split将空格切割，得到每一个女生的名字，添加的集合当中
ArrayList<String> girlNameList = new ArrayList<>();
for (String girlNames : girlNameTempList) {
// 注意：split方法：根据给定正则表达式的匹配拆分此字符串。返回值是“数组”
String[] girlNames2 = girlNames.split(" ");
for (int i = 0; i < girlNames2.length; i++) {
girlNameList.add(girlNames2[i]);
}
}
3.生成指定数量的男生和女生（姓名-性别-年龄）
// 生成想要数据集合（getInfos方法）--注意：要指定集合中男生，女生的个数
ArrayList<String> list = getInfos(familyNameList, boyNameList, girlNameList
, 70, 50);
// 打乱
Collections.shuffle(list);
// 方法3：getInfos：根据“姓氏”，“男名”，“女名”集合，返回一个集合
// 参数：3个集合，boyCount，girlCount
private static ArrayList<String> getInfos(ArrayList<String> familyNameList,
ArrayList<String> boyNameList, ArrayList<String> girlNameList,
int boyCount, int girlCount) {
ArrayList<String> list = new ArrayList<>();
Random r = new Random();// 随机生成年龄
// 获取男生名字集合：（hashset：防止出现重复的名字）
HashSet<String> boys = new HashSet<>();
while (true) {
if (boys.size() == boyCount) break;
Collections.shuffle(familyNameList);
Collections.shuffle(boyNameList);
boys.add(familyNameList.get(0) + boyNameList.get(0));
}
// 获取女生名字集合：
HashSet<String> girls = new HashSet<>();
while (true) {
if (girls.size() == girlCount) break;
Collections.shuffle(familyNameList);
Collections.shuffle(girlNameList);
girls.add(familyNameList.get(0) + girlNameList.get(0));
}
// 拼接男生信息：
for (String boy : boys) {
int age = r.nextInt(10) + 18;//18~27
list.add(boy + "-男-" + age);
}
// 拼接女生信息：
for (String girl : girls) {
int age = r.nextInt(8) + 18;//18~25
list.add(girl + "-女-" + age);
}
// 返回最后的集合：
return list;
}
七、总结：需要注意的地方 && 改进之处：
（1）我们可以将这个“随机生成的男生，女生”保存到本地：（IO）
BufferedWriter bw = new BufferedWriter(new FileWriter("myiotest1\\names.txt"));
for(String str : list) {
bw.write(str);
bw.newLine();
}
bw.close();
（2）如果网址失效了 或 网页内容改变了，上面的正则表达式就失效了，须要我们自己去编写regex。
八、个人思考：
1.通过一整个流程下来，我须要熟悉如何分析一个项目，有哪些步骤
2.这只是一个很简单的“爬虫引用”，是用java实现的，那么向python实现的爬虫又是什么样的呢？
可以通过之后的学习，进一步了解到“爬虫”有关的进阶知识。
九、补充：使用hutool包（稀里糊涂地就写完了代码）
拷贝jar包，直接使用就好了
使用hutool的好处：我们不用自己写：crawler 和 getData方法
// 原本的代码：
//2.爬取数据,把网址上所有的数据拼接成一个字符串
String familyNameStr = webCrawler(familyNameNet);
String boyNameStr = webCrawler(boyNameNet);
String girlNameStr = webCrawler(girlNameNet);
//3.通过正则表达式，把其中符合要求的数据获取出来
ArrayList<String> familyNameTempList = getData(familyNameStr, "(.{4})(，|。)", 1);
ArrayList<String> boyNameTempList = getData(boyNameStr, "([\\u4E00-\\u9FA5]{2})(、|。)", 1);
ArrayList<String> girlNameTempList = getData(girlNameStr, "(.. ){4}..", 0);
// 使用hutool后的代码：
String familyNameStr = HttpUtil.get(familyNameNet);
String boyNameStr = HttpUtil.get(boyNameNet);
String girlNameStr = HttpUtil.get(girlNameNet);
List<String> familyNameTempList = ReUtil.findAll("(.{4})(，|。)", familyNameStr, 1);
List<String> boyNameTempList = ReUtil.findAll("([\\u4E00-\\u9FA5]{notes})(、|。)", boyNameStr, 1);
List<String> girlNameTempList = ReUtil.findAll("(.. ){4}..", girlNameStr, 0);
十、附录：完整代码
import java.io.BufferedWriter;
import java.io.FileWriter;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;
import java.util.ArrayList;
import java.util.Collections;
import java.util.HashSet;
import java.util.Random;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Test1 {
public static void main(String[] args) throws IOException {
/*
制造假数据：
获取姓氏：https://hanyu.baidu.com/shici/detail?pid=0b2f26d4c0ddb3ee693fdb1137ee1b0d&from=kg0
获取男生名字：http://www.haoming8.cn/baobao/10881.html
获取女生名字：http://www.haoming8.cn/baobao/7641.html
*/
//1.定义变量记录网址
String familyNameNet = "https://hanyu.baidu.com/shici/detail?pid=0b2f26d4c0ddb3ee693fdb1137ee1b0d&from=kg0";
String boyNameNet = "http://www.haoming8.cn/baobao/10881.html";
String girlNameNet = "http://www.haoming8.cn/baobao/7641.html";
//2.爬取数据,把网址上所有的数据拼接成一个字符串
// 这个时候的数据是“杂乱”的
String familyNameStr = webCrawler(familyNameNet);
String boyNameStr = webCrawler(boyNameNet);
String girlNameStr = webCrawler(girlNameNet);
//3.通过正则表达式，把其中符合要求的数据获取出来
// 这个时候数据经过了处理
ArrayList<String> familyNameTempList = getData(familyNameStr, "(.{4})(，|。)", 1);
ArrayList<String> boyNameTempList = getData(boyNameStr, "([\\u4E00-\\u9FA5]{2})(、|。)", 1);
ArrayList<String> girlNameTempList = getData(girlNameStr, "(.. ){4}..", 0);
//4.处理数据
//familyNameTempList（姓氏）
//处理方案：把每一个姓氏拆开并添加到一个新的集合当中
ArrayList<String> familyNameList = new ArrayList<>();
for (String str : familyNameTempList) {
//str 赵钱孙李 周吴郑王 冯陈褚卫 蒋沈韩杨
for (int i = 0; i < str.length(); i++) {
char c = str.charAt(i);
familyNameList.add(c + "");
}
}
//boyNameTempList（男生的名字）
//处理方案：去除其中的重复元素
ArrayList<String> boyNameList = new ArrayList<>();
for (String str : boyNameTempList) {
if (!boyNameList.contains(str)) {
boyNameList.add(str);
}
}
//girlNameTempList（女生的名字）
//处理方案：把里面的每一个元素用空格进行切割，得到每一个女生的名字
ArrayList<String> girlNameList = new ArrayList<>();
for (String str : girlNameTempList) {
String[] arr = str.split(" ");
for (int i = 0; i < arr.length; i++) {
girlNameList.add(arr[i]);
}
}
//5.生成数据
//姓名（唯一）-性别-年龄
ArrayList<String> list = getInfos(familyNameList, boyNameList, girlNameList, 70, 50);
Collections.shuffle(list);
//System.out.println(list);
//
// //6.写出数据
// BufferedWriter bw = new BufferedWriter(new FileWriter("myiotest\\names.txt"));
// for (String str : list) {
// bw.write(str);
// bw.newLine();
// }
// bw.close();
}
/*
* 作用：
* 获取男生和女生的信息：张三-男-23
*
* 形参：
* 参数一：装着姓氏的集合
* 参数二：装着男生名字的集合
* 参数三：装着女生名字的集合
* 参数四：男生的个数
* 参数五：女生的个数
* */
public static ArrayList<String> getInfos(ArrayList<String> familyNameList, ArrayList<String> boyNameList, ArrayList<String> girlNameList, int boyCount, int girlCount) {
//1.生成男生不重复的名字
HashSet<String> boyhs = new HashSet<>();
while (true) {
if (boyhs.size() == boyCount) {
break;
}
//随机
Collections.shuffle(familyNameList);
Collections.shuffle(boyNameList);
boyhs.add(familyNameList.get(0) + boyNameList.get(0));
}
//2.生成女生不重复的名字
HashSet<String> girlhs = new HashSet<>();
while (true) {
if (girlhs.size() == girlCount) {
break;
}
//随机
Collections.shuffle(familyNameList);
Collections.shuffle(girlNameList);
girlhs.add(familyNameList.get(0) + girlNameList.get(0));
}
//3.生成男生的信息并添加到集合当中
ArrayList<String> list = new ArrayList<>();
Random r = new Random();
//【18 ~ 27】
for (String boyName : boyhs) {
//boyName依次表示每一个男生的名字
int age = r.nextInt(10) + 18;
list.add(boyName + "-男-" + age);
}
//4.生成女生的信息并添加到集合当中
//【18 ~ 25】
for (String girlName : girlhs) {
//girlName依次表示每一个女生的名字
int age = r.nextInt(8) + 18;
list.add(girlName + "-女-" + age);
}
return list;
}
/*
* 作用：根据正则表达式获取字符串中的数据
* 参数一：
* 完整的字符串
* 参数二：
* 正则表达式
* 参数三：
* 获取数据
* 0：获取符合正则表达式所有的内容
* 1：获取正则表达式中第一组数据
* 2：获取正则表达式中第二组数据
* ...以此类推
*
* 返回值：
* 真正想要的数据
*
* */
private static ArrayList<String> getData(String str, String regex, int index) {
//1.创建集合存放数据
ArrayList<String> list = new ArrayList<>();
//2.按照正则表达式的规则，去获取数据
Pattern pattern = Pattern.compile(regex);
//按照pattern的规则，到str当中获取数据
Matcher matcher = pattern.matcher(str);
while (matcher.find()) {
list.add(matcher.group(index));
}
return list;
}
/*（从web上爬取数据）（粗糙）（未处理）
作用：从web页面上爬取数据，把数据拼接成字符串返回
形参：网址net（string类型）
返回：所有数据组成的字符串
*/
public static String webCrawler(String net) throws IOException {
//1.定义StringBuilder拼接爬取到的数据
StringBuilder sb = new StringBuilder();
//2.创建一个URL对象
URL url = new URL(net);
//3.链接上这个网址
//细节：保证网络是畅通的，而且这个网址是可以链接上的。
URLConnection conn = url.openConnection();
//4.读取数据
InputStreamReader isr = new InputStreamReader(conn.getInputStream());
int ch;
while ((ch = isr.read()) != -1) {
sb.append((char) ch);
}
//5.释放资源
isr.close();
//6.把读取到的数据返回
return sb.toString();
}
}
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
