java中利用jsoup获取csdn网页数据

Maven依赖

 		<dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.13.1</version>
        </dependency>

Gradle依赖

compile group: 'org.jsoup', name: 'jsoup', version: '1.13.1'
        try {
            visitBlog();
        } catch (IOException e) {
            e.printStackTrace();
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
  private void visitBlog() throws IOException, InterruptedException {
        Map<String, String> urlTitleMap = new LinkedHashMap<>();//key是Url value是标题
        // ----------------------------------------------遍历每一页 获取文章链接----------------------------------------------
        for (int i = 1; i < Integer.MAX_VALUE; i++) {
            String url = String.format(pageStartUrl, i);
            System.out.println("开始获取博客的第 " + i + " 页的文章 url:" + url);

            Document document = Jsoup.connect(url).timeout(10000)
                    .userAgent("Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36")
                    .get();
            Elements articleMeListEs = document.select("#articleMeList-blog");
            String articleListText = articleMeListEs.text();
            //包含这两个则认定为没有文章了
            if (articleListText.contains("空空如也")) {
                System.out.println("博客的第 " + i + " 页没有找到文章跳出抓取文章链接处理");
                break;
            }
            Elements articleEs = articleMeListEs.select("div.article-list").select("div.article-item-box").select("a");
            articleEs.forEach(e -> {
                String href = e.attr("href");
                //用于移除标题开头使用,例如:原创 搭一个Gradle多模块管理的,typeText=原创
                String typeText = e.select(".article-type").text() + " ";
                String aText = e.text();
                //得到一个有效的标题以上面为例标题为:搭一个Gradle多模块管理的,typeText=原创
                String title = aText.replace(typeText, "");
                urlTitleMap.put(href, title);
            });
            System.out.println("获取博客的第 " + i + " 页的文章完毕,获取当前数量:" + urlTitleMap.size());
        }

        // ---------------------------------------------------多线程访问每个链接---------------------------------------------------
        ExecutorService executor = Executors.newCachedThreadPool();
        int threadCount = 4; // 根据当前电脑核数创建 并发线程数量
        for (int i = 0; i < threadCount; i++) {
            executor.execute(new PreviewThread(urlTitleMap));
        }
    }
    class PreviewThread implements Runnable {
        private Map<String, String> urlTitleMap;

        public PreviewThread(Map<String, String> urlTitleMap) {
            this.urlTitleMap = urlTitleMap;
        }


        @Override
        public void run() {
            while (true) {
                for (Map.Entry<String, String> entry : urlTitleMap.entrySet()) {
                    String url = entry.getKey();
                    try {
                        Document articleDoc = Jsoup.connect(url).timeout(10000).referrer("https://blog.csdn.net/qq_42623400/article/list/")
                                .userAgent("Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36").get();
                        String articleTitle = articleDoc.select("#articleContentId").text();
                        if (entry.getValue().equals(articleTitle)) {
                            System.out.println(Thread.currentThread().getName() + "成功访问文章 url:" + url + " title:" + articleTitle);
                        } else {
                            System.out.println(Thread.currentThread().getName() + "访问文章失败 url:" + url);
                        }
                        int sleep = new Random().nextInt(600) + 300;
                        Thread.sleep(sleep);
                    } catch (IOException e) {
                        e.printStackTrace();
                    } catch (InterruptedException e) {
                        e.printStackTrace();
                    }
                }
            }

        }
    }
  • 3
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

打赏作者

Acmen-zym

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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