简介
在之前的文章 《使用Java 抓取 CSND 中指定博主的所有文章列表》中,介绍了使用Java抓取文章的标题和链接信息。今天,又将应用推进了一步:指定网页,抓取文章信息,如下所示:
92120238 使用Java 抓取 CSND 中指定博主的所有文章列表 郝老师(安徽理工大学) 2019/6/16 8:00 61 https://blog.csdn.net/weixin_43145361/article/details/92120238 Java|抓取文章列表|CSDN博客|null|null
92053874 Java多线程安全的三大特性之原子性 郝老师(安徽理工大学) 2019/6/15 7:29 38 https://blog.csdn.net/weixin_43145361/article/details/92053874 Java|多线程|三大特性|可见性|null
91969908 利用哈夫曼树进行编码压缩 郝老师(安徽理工大学) 2019/6/14 14:00 59 https://blog.csdn.net/weixin_43145361/article/details/91969908 哈夫曼编码|null|null|null|null
91827356 一个完整使用C#编写的CSV读写类 郝老师(安徽理工大学) 2019/6/13 12:00 37 https://blog.csdn.net/weixin_43145361/article/details/91827356 CSV|读写类|null|null|null
91796054 一个完整的Java版的分数类 郝老师(安徽理工大学) 2019/6/13 9:51 98 https://blog.csdn.net/weixin_43145361/article/details/91796054 Java|分数类|null|null|null
91490606 一个便于 Spire.XLS 操作的类 SpireXLSSheetHelper 郝老师(安徽理工大学) 2019/6/12 10:13 47 https://blog.csdn.net/weixin_43145361/article/details/91490606 EXCEL操作|Spire.XLS|null|null|null
91425505 在发布后 StackTrace和 StackFrame不工作的解决办法 郝老师(安徽理工大学) 2019/6/12 8:50 18 https://blog.csdn.net/weixin_43145361/article/details/91425505 StackTrace|StackFrame|不工作|null|null
91418906 Java多线程安全的三大特性之可见性 郝老师(安徽理工大学) 2019/6/11 11:33 22 https://blog.csdn.net/weixin_43145361/article/details/91418906 Java|并发|多线程可见性|null|null
90808168 在文件名中千万不要使用这些字符! 郝老师(安徽理工大学) 2019/6/4 19:26 28 https://blog.csdn.net/weixin_43145361/article/details/90808168 文件名|非法字符|null|null|null
90641313 分治法之并行计算(附多台机器测试结果) 郝老师(安徽理工大学) 2019/5/29 8:12 55 https://blog.csdn.net/weixin_43145361/article/details/90641313 分治法|并行计算|null|null|null
90578443 Java程序设计英语考试题目及答案(计算机16-1数字媒体) 郝老师(安徽理工大学) 2019/5/26 19:05 102 https://blog.csdn.net/weixin_43145361/article/details/90578443 Java试题一套|null|null|null|null
90294446 Java文件读写的性能测试(附源码) 郝老师(安徽理工大学) 2019/5/24 8:15 76 https://blog.csdn.net/weixin_43145361/article/details/90294446 Java?写文件测试|性能问题|null|null|null
(以下省去约150篇文章)
具体操作请参见源代码。但是这里有点需要指出,不知出于什么原因,2019年6月15日之前的文章,抓取都因为内容缺少无法抓取。修正的办法很简单,只要重要再发布一次即可,如下所示:
源代码
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.*;
import java.util.ArrayList;
import java.util.HashMap;
public class BlogAnalyzer {
/**
* 文章类,用于保存文章信息。
* @author Administrator
*
*/
class Article {
public String ID;
public String url;
public String title;
public String author;
public int readcount;
public String time;
ArrayList<String> keywords;
ArrayList<String> categories;
public Article() {
keywords = new ArrayList<String>();
categories = new ArrayList<String>();
}
@Override
public String toString() {
String info = String.format("%s\t%s\t%s\t%s\t%d\t%s\t", ID, title, author, time, readcount, url);
String[] strs = new String[5];
for (int i = 0; i < keywords.size(); i++)
strs[i] = keywords.get(i);
info += String.join("|", strs) + "\t";
strs = new String[5];
for (int i = 0; i < categories.size(); i++)
strs[i] = categories.get(i);
info += String.join("|", strs);
return info;
}
}
public static void main(String[] args) throws Exception {
String username = "weixin_43145361";
ArrayList<String> urls = new ArrayList<String>();
// 程序暂时还没抓取页面的总页数信息,所以默认取100页,如果页面不存在,则结束循环。
for (int i = 1; i < 100; i++) {
try {
ArrayList<String> ats = getArticles(username, i);
if (ats.size() == 0)
break;
urls.addAll(ats);
} catch (Exception e) {
}
}
ArrayList<Article> ats = new ArrayList<Article>();
for(String url : urls) {
Article article = getArticle(url);
if(article != null)
ats.add(article);
}
// 获得所有分类
HashMap<String, String> map = new HashMap<String, String>();
for (Article at : ats)
for (String cat : at.categories)
map.putIfAbsent(cat, cat);
// 显示所有分类
for (String cat : map.keySet())
System.out.print(cat + "\t");
System.out.println();
// 统计并显示所有已分类的文章
for (Article article : ats) {
String prefix = "";
for (String cat : map.keySet())
prefix += article.categories.contains(cat) ? "O\t" : "X\t";
System.out.println(prefix + article);
}
}
// 抓取文章信息
static Article getArticle(String url) {
try {
String html = getWebpageContent(url);
int start = html.indexOf("<span class=\"label\">个人分类:</span>");
int end = html.indexOf(" <article class=\"baidu_pl\">");
Article article = new BlogAnalyzer().new Article();
article.url = url;
article.ID = url.split("details/")[1];
article.author = findWords(html, "var nickName = \"", "\"").get(0);
article.title = findWords(html, "<h1 class=\"title-article\">", "<").get(0);
article.readcount = Integer
.parseInt(findWords(html, "<span class=\"read-count\">", "<").get(0).split(" ")[1]);
article.time = findWords(html, "<span class=\"time\">", "<").get(0).replace("年", "/").replace("月", "/")
.replace("日", "");
article.keywords = findWords(html, "data-track-view='{\"mod\":\"popu_626\",\"con\":\"", "\"");
article.categories = findWords(html.substring(start, end), "target=\"_blank\">", "<");
return article;
} catch (Exception e) {
System.out.println(url);
}
return null;
}
// 从指定的开始和结果符中,抓取多个指定的数据信息。
static ArrayList<String> findWords(String str, String start, String end) {
ArrayList<String> keywords = new ArrayList<>();
int p = 0;
while (true) {
p = str.indexOf(start, p + 1);
if (p < 0)
break;
int endquote = str.indexOf(end, p + start.length());
keywords.add(str.substring(p + start.length(), endquote).trim());
}
return keywords;
}
static void test() {
// 博主的用户名称,可打开其任意一篇文章查看,如以下网址中 在blog.csdn.net之后的就是本博客的用户名称
// https://blog.csdn.net/weixin_43145361/article/detals/92120238
String username = "weixin_43145361";
ArrayList<String> articles = new ArrayList<String>();
// 程序暂时还没抓取页面的总页数信息,所以默认取100页,如果页面不存在,则结束循环。
for (int i = 1; i < 100; i++) {
try {
ArrayList<String> ats = getArticles(username, i);
if (ats.size() == 0)
break;
articles.addAll(ats);
} catch (Exception e) {
}
}
// 输出,每个字符的内容即为 编号:[标题](链接)
for (String s : articles) {
if (!s.contains("帝都的凛冬")) {// 不知道为什么文章列表中会有这篇文章,而且是文章列表每页都会有
// 显示网址并测试是否正常
System.out.printf("%s\t[%s](%s)\n", s.split("\t")[0], s.split("\t")[1], s.split("\t")[2]);// ,
// getWebpageContent(s.split("\t")[2]) == null ? "错误" : "正常");
}
}
}
// 核心的抓取算法在这个函数中,函数是按页来抓取文章列表的,所以函数参数有2个:用户名和页面编号
static ArrayList<String> getArticles(String username, int pageNo) throws Exception {
String url = String.format("https://blog.csdn.net/%s/article/list/%d?", username, pageNo);
String content = getWebpageContent(url); // 抓取页面的内容
ArrayList<String> articles = new ArrayList<>();
// 根据观察,找到需要抓取的文章列表的范围
int start = content.indexOf("<div class=\"article-list\">");
int end = content.indexOf("</main>");
// 如果没找到,返回
if (start < 0 || end < 0)
return articles;
// 对数据进行筛选,移除空行。
ArrayList<String> list = new ArrayList<String>();
for (String line : content.substring(start, end).split("\n"))
if (line.trim().length() > 0)
list.add(line.trim());
// 提取内容
for (int i = 0; i < list.size(); i++)
if (list.get(i).contains("article/details/") && list.get(i + 1).contains("<span class"))
articles.add(list.get(i).split("\"")[1]);
// 返回结果。
return articles;
}
// 从指定网址获取网页的内容,返回为网站的HTML字符串。
public static String getWebpageContent(String url) {
try {
URL u = new URL(url);
HttpURLConnection conn = (HttpURLConnection) u.openConnection();
conn.connect();
BufferedReader br = new BufferedReader(new InputStreamReader(conn.getInputStream(), "utf-8"));
StringBuilder sb = new StringBuilder();
String str;
while ((str = br.readLine()) != null) {
sb.append(str + "\n");
}
br.close();
conn.disconnect();
return sb.toString();
} catch (Exception e) {
}
return null;
}
}