写个小爬虫爬下迅雷会员

好久不写爬虫。。。忘了个锤子。于是借着学java的机会用java写个爬虫
爬取静态页面 迅雷会员账号和密码。时时获取最新的~

先上我暑假写的python版~

# -*- coding: utf-8 -*-
import urllib
import re
import os
url1 = 'http://xlfans.com/'
regex = r'迅雷会员(.+?)密码(.*)<'
regex1 = r'class="item"><a href="(.+?)">'
ml = 'c:/xunlei.txt'
def get_html(url):
    html1 = urllib.urlopen(url)
    html = html1.read()
    html1.close()
    return html
def get_re(html):
    xunlei = re.findall(regex,html)
    for a in xunlei:
        with open(ml,'a') as f:
            b = a[0]+' '+a[1]
            f.write(b+'\n')
def get_new(html):
    new = re.findall(regex1,html)
    return new[0]

html= get_html(url1)
url = get_new(html)
new_html = get_html(url)
if os.path.exists(ml):
    os.remove(ml)
get_re(new_html)
print 'please look c:/xunlei.txt thankyou!'
print 'newurl= '+url


附一个暑假写的获取代理ip的小python代码:

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import re
import urllib2
url1 ='http://www.kuaidaili.com/'#<td data-title="IP">123.182.216.241</td>
html1 = urllib2.urlopen(url1)
html = html1.read()
html1.close()
regexip = r'data-title="IP">(\d{1,3}.\d{1,3}.\d{1,3}.\d{1,3})'
regexport = r'data-title="PORT">(\d{1,4})'
poxyip = re.findall(regexip,html)
poxyport = re.findall(regexport,html)
for x in range(10):
    print poxyip[x]+':'+poxyport[x]


然后~

java版

package com.Recar;
import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.PrintWriter;
import java.net.*;
import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class pacdemo1 {

    public static void main(String[] args) throws IOException {
        System.out.println("程序开始....");
        String str =newURL();
        String url1 =str.replace("class=\"item\"><a href=\"", " ");
        String url = url1.replace("\">", " ");
        System.out.println(url);
        http(url);

    }

    //抽出来单独写个方法返回html的

    public static String html(String url1) throws IOException{
        URL  url = new URL(url1);

        URLConnection connection = url.openConnection();

        connection.connect();

        BufferedReader in = null;

        in = new BufferedReader(new InputStreamReader(connection.getInputStream(),"UTF-8"));

        String result = null;
        String line;
        while((line=in.readLine())!=null){
            result+=line;   
        }//while

        System.out.println("获取到html....");

        return result;
    }

    /////////////////////////////////////////////////////////////////


    //获取最新的迅雷会员网址

    public static String newURL() throws IOException{
        String newURL = null;
        String result;
        result= html("http://xlfans.com");
        //result是返回的网页

        String regex ="class=\"item\"><a href=\"(.+?)\">";

        Pattern pattern = Pattern.compile(regex);


        Matcher matcher = pattern.matcher(result);

        System.out.println("开始查找最新迅雷会员网址.....");

        if(matcher.find()){


            newURL = matcher.group(0);

        }

        else{System.out.println("sorry,没有找到,请更新正则"); }


        return newURL;
    }

/////////////////////////////////////////////////////////////////////////
    //获取网页,并匹配正则
    public static void http(String newurl)throws IOException{
        try {
            //URL
            URL url = new URL(newurl);
            String result;
            result = html(url.toString());

            //result是返回的网页
            //那么做正则 迅雷会员(.+?)密码(.*)
            String regex ="<br />迅雷会员号(.+?)密码(.*)<br />";

            Pattern pattern = Pattern.compile(regex);


            Matcher matcher = pattern.matcher(result);


            String xunlei = null    ;   
            String xunlei2= null    ;   
            if(matcher.find()){


                xunlei = matcher.group(0);
                xunlei2= xunlei.replace("<br />", "\n");

                System.out.println(xunlei2);
            }

            else{System.out.println("sorry,没有找到,请更新正则"); }


        } catch (MalformedURLException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }


    }

}

java版还有问题,总是还有一块一起匹配出来了。我是个萌新,忘大佬指点啊。java写爬虫真心烦啊。Python大法好。

这里写图片描述

导出jar 要注意是导出 可执行版的。不是单纯的jar文件。

小总结:

java的爬虫是先用定义URL

    URL  url = new URL("www.baidu.com");

然后打开网址

URLConnection connection = url.openConnection();

        connection.connect();

用流来接收html

BufferedReader in = null;

        in = new BufferedReader(new InputStreamReader(connection.getInputStream(),"UTF-8"));

        String result = null;
        String line;
        while((line=in.readLine())!=null){
            result+=line;   
        }//while

然后用正则匹配,当然还有其他更好的方法~

java写的像C。。。以后要改。要学习。有空写动态网页的爬虫。

  • 2
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python爬虫与项目实战,网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。 随着网络的迅速发展,万维网成为大量信息的载体,如何有效地提取并利用这些信息成为一个巨大的挑战。搜索引擎(Search Engine),例如传统的通用搜索引擎AltaVista,Yahoo!和Google等,作为一个辅助人们检索信息的工具成为用户访问万维网的入口和指南。但是,这些通用性搜索引擎也存在着一定的局限性,如: (1)不同领域、不同背景的用户往往具有不同的检索目的和需求,通用搜索引擎所返回的结果包含大量用户不关心的网页。 (2)通用搜索引擎的目标是尽可能大的网络覆盖率,有限的搜索引擎服务器资源与无限的网络数据资源之间的矛盾将进一步加深。 (3)万维网数据形式的丰富和网络技术的不断发展,图片、数据库、音频、视频多媒体等不同数据大量出现,通用搜索引擎往往对这些信息含量密集且具有一定结构的数据无能为力,不能很好地发现和获取。 (4)通用搜索引擎大多提供基于关键字的检索,难以支持根据语义信息提出的查询。 网络爬虫 为了解决上述问题,定向抓取相关网页资源的聚焦爬虫应运而生。聚焦爬虫是一个自动下载网页的程序,它根据既定的抓取目标,有选择的访问万维网上的网页与相关的链接,获取所需要的信息。与通用爬虫(general purpose web crawler)不同,聚焦爬虫并不追求大的覆盖,而将目标定为抓取与某一特定主题内容相关的网页,为面向主题的用户查询准备数据资源。 传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。聚焦爬虫的工作流程较为复杂,需要根据一定的网页分析算法过滤与主题无关的链接,保留有用的链接并将其放入等待抓取的URL队列。然后,它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL,并重复上述过程,直到达到系统的某一条件时停止。另外,所有被爬虫抓取的网页将会被系统存贮,进行一定的分析、过滤,并建立索引,以便之后的查询和检索;对于聚焦爬虫来说,这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值