Java+Jsoup爬虫微博

7 篇文章 0 订阅

源码链接:https://pan.baidu.com/s/1oOAxJqSMCyVJPNv-iAYW7A
提取码:1co9

Java+Jsoup爬虫小红书,微博,B站
在这里插入图片描述
爬取地址:https://weibo.com/1234692083/Ixnp6nuPk
目标:抓取文章的转发量,评论量,点赞量
在这里插入图片描述

1.F12分析下页面

在这里插入图片描述

2.使用Jsoup进行抓取
这里发现,毛都没有取到,找了半天没线索
在这里插入图片描述
在使用get请求试一下
在这里插入图片描述
这啥玩意???
问下度娘,原来这是(新浪访客系统),想要获取到微博的静态页面,需要在请求头里埋入Cookie
感谢大佬提出的思路让我少走了很多弯路:微博爬虫之:无需账号获取微博weibo的Cookie

如何获取Cookie?
请求俩接口得到必要的参数就ok了
接口1:https://passport.weibo.com/visitor/genvisitor?cb=gen_callback(返回tid)
接口2:https://passport.weibo.com/visitor/visitor?a=incarnate&t=接口1里的tid&w=3&c=100&cb=cross_domain&from=weibo(返回sub和subp)
Cookie:Sub=接口2的sub; SUBP=接口2的subp
在这里插入图片描述
之后使用Jsoup,Cookie带入请求头,获取微博静态页面析出需要的值即可

分析了一下,数据在js里,需要解析出来
在这里插入图片描述
我们需要的值在这里的html属性下,想尽一切方法,取出来就行,如何取出

分析了一下后,我决定用正则方式删选出要的数据,在替换掉前后符号,在转为json,调出对应值即可

开头:FM.view(
结尾:)

就可以遍历,拿到所有符合这个规则的数据
在这里插入图片描述

替换前:FM.view(
替换后:

替换前:)
替换后:

转为json格式
在这里插入图片描述

遍历:ns==pl.content.weiboDetail.index的html属性取出

字符串转为Jsoup
Jsoup.parseBodyFragment(html)

分析结构,解析数据
在这里插入图片描述
获取.WB_row_line下的span.S_line1下的第二个em
.WB_row_line span.S_line1 em:nth-child(2)
将4个em存入list集合
取2,3,4即可
在这里插入图片描述

  • 3
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
您好!对于使用Java编写网络爬虫,我们可以使用Jsoup库来进行HTML解析和据抓取。 首先,您需要在项目中引入Jsoup库。您可以在Maven或Gradle构建工具中添加以下依赖项: Maven: ```xml <dependency> <groupId>org.jsoup</groupId> <artifactId>jsoup</artifactId> <version>1.13.1</version> </dependency> ``` Gradle: ```groovy implementation 'org.jsoup:jsoup:1.13.1' ``` 接下来,您可以使用Jsoup来获取和解析网页内容。以下是一个简单的示例代码,演示如何使用Jsoup爬取网页并提取所需的据: ```java import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; import java.io.IOException; public class WebCrawler { public static void main(String[] args) { try { // 使用Jsoup连接到目标网页 Document document = Jsoup.connect("http://example.com").get(); // 使用CSS选择器提取所需的元素 Elements links = document.select("a[href]"); // 遍历并打印提取到的元素 for (Element link : links) { System.out.println("Link: " + link.attr("href")); System.out.println("Text: " + link.text()); } } catch (IOException e) { e.printStackTrace(); } } } ``` 在上面的示例中,我们使用`Jsoup.connect()`方法连接到目标网页,并使用`document.select()`方法使用CSS选择器提取所有带有`href`属性的链接元素。然后,我们遍历这些链接元素,并打印出链接的URL和文本。 您可以根据自己的需求进一步扩展和修改代码来满足特定的爬虫需求。请注意,在编写爬虫时,请遵守相关网站的使用条款和政策,以避免违反规定。
评论 4
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