实现网络数据提取你需要哪些java知识

本篇对一些常用的java知识做一个整合，三大特性、IO操作、线程处理、类集处理，目的在于能用这些只是实现一个网页爬虫的功能。

Ⅰ　　首先对于一个java开发的项目有一个整体性的了解认知，项目开发流程：

项目阶段：

1） 项目准备：

　　a) 根据开会得到会议纪要，了解客户的需求情况

　　b) 需求分析（需求分析文档）

　　c) 数据库设计和网站（产品）原型设计

　　d) 架构设计

2） 项目开发

　　a) 项目组长(PM，PL)进行项目的时间规划，并划分好每个人的工作任务

　　b) 程序员主要完成项目代码编写和详细设计文档编写。（用户手册）

3） 测试

　　a) 单元测试

　　b) 集成测试

　　c) 压力测试

　　d) 回归测试

4） 上线实施

Ⅱ　　三大特性（封装、继承、多态）

封装

1、　　封装重点在于一个private关键字，目的是为了让类中的属性不能直接修改或取得。也就是说，建立一个类时，所有的属性都必须通过private进行封装。

　　　　　　既然属性被封装了，那么如果想设置或取得属性，就必须编写getter/setter方法。

　　　　　　同时，类中在创建对象时，为了方便，一般建议编写一些带参数的构造方法。

　　　　　　如果不编写构造方法，程序会自动加入一个无参的构造，但是，如果自己声明了构造方法，那么必须就手工加入一个无参构造，为了让其他的框架可以通过无参数构造来创建对象。

2、　　如果数据库中有一张表，则需要你能根据表编写一个这样的类。

　　　　　　这种类被称为：VO（Value Object）、TO（Transfer Object）、POJO（Plain Olds Java Object）、DTO（DaTa Object）等

class Person {
    private String name;
    private Integer age;
    public Person() {
    }
    public Person(String name, Integer age) {
        this.name = name;
        this.age = age;
    }
    public String getName() {
        return this.name;
    }
    public Integer getAge() {
        return age;
    }
    public void setAge(Integer age) {
        this.age = age;
    }
    public void setName(String name) {
        this.name = name;
    }
}

技巧：在eclipse中编写封装类，可以声明变量后，按shift+Alt+s键出现Generate  Getters  and  Setters提示创建getter和setter方法。

继承关系

继承所使用的关键字：extends，接口实现所使用的关键字是：implements。

Java开发中对于接口和抽象类区别主要是单继承和多继承。

真正开发中接口用的更多，几乎不编写抽象类。

一般都是以接口作为标准来进行声明。

这部分我们要求能够掌握接口的声明和实现方法。

interface Animal {
    public void cry();
    public void run();
}
class Cat implements Animal {

    @Override
    public void cry() {
        System.out.println("miao");
    }
    @Override
    public void run() {
        System.out.println("猫爬树");
    }
}

多态

其实就是在继承的基础上进行方法覆写和子类转型。

package org.liky.test;
public class InterfaceDemo {
    public static void main(String[] args) {
        Animal a1 = new Cat();
        Animal a2 = new Dog();
        a1.cry();
        a2.cry();        
    }
}
interface Animal {
    public void cry();
    public void run();
}
class Cat implements Animal {
    @Override
    public void cry() {
        System.out.println("miao");
    }
    @Override
    public void run() {
        System.out.println("猫爬树");
    }
}
class Dog implements Animal {
    @Override
    public void cry() {
        System.out.println("Wang");
    }
    @Override
    public void run() {
        System.out.println("狗游泳");
    }
}

单例设计模式

单例模式有以下特点：

　　1、单例类只能有一个实例。

　　2、单例类必须自己创建自己的唯一实例。

　　3、单例类必须给所有其他对象提供这一实例。

package org.liky.test;

public class TestSingleton {
    public static void main(String[] args) {
        Singleton s1 = Singleton.getInstance();
        Singleton s2 = Singleton.getInstance();
        Singleton s3 = Singleton.getInstance();  
                //其实只创建了一个对象
          System.out.println(s1 + " --> " + s2 + " --> " + s3);       
    }
}
class Singleton {
    private static final Singleton instance = new Singleton();
    private Singleton() {
    }
    public static Singleton getInstance() {
        return instance;
    }
}
    

Ⅲ　　IO操作

文件内容读取：

File、FileReader、FileWriter、BufferedReader、BufferedWriter、Scanner、InputStreamReader

文件夹遍历：

File 

文件复制操作

如果想操作文件的内容（对内容进行写出和读取），需要使用到的就是IO流中的输入输出操作。

这种输入和输出的操作流有两种：

1） 字符流：主要操作文本文件（编写爬虫操作时，肯定要使用字符流来完成）

a) 读：FileReader

b) 写：FileWriter

2） 字节流：所有文件都可以使用这种流操作

a) 读：InputStream

b) 写：OutputStream

需要能够通过我们这里的FileReader和FileWriter配合文件类：File，完成内容的读取和写出。

/**
 * IO流操作的演示类，用来演示文本文件的写出和读取
 * 
 * @author Liky
 * 
 */
public class FileTest {
    public static void main(String[] args) {
        // 写出内容
        // writeData(
        // "D:/test.txt",
        // "这是“吉林一号”视频卫星 8月9日11时25分拍摄的 九寨沟县视频 显示了九寨沟县的地形地貌 县城呈狭长分布 周边山体有明显滑坡痕迹 视频中还可见县城道路大部分完好 有车辆通行 一架飞机飞过 地面与空中交通并未中断 图像提供：长光卫星技术有限公司 技术支持：北京爱太空科技发展有限公司");
        System.out.println(readData("D:/test.txt"));
    }

    /**
     * 写出数据
     * 
     * @param filePath
     *            文件保存的位置
     * @param data
     *            要保存的文件内容数据
     */
    public static void writeData(String filePath, String data) {
        // 先有一个文件，来保存要写出的数据
        File file = new File(filePath);
        // 建立输出流对象
        try {
            FileWriter writer = new FileWriter(file);
            // 开始完成内容的输出
            writer.write(data);
            // 资源必须回收，也就是必须将流关闭
            writer.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    /**
     * 读取数据
     * 
     * @param filePath
     *            要读取的文件所在的完整路径
     * @return 读取出来的文档内容
     */
    public static String readData(String filePath) {
        // 也要建立文件对象
        File file = new File(filePath);
        // 建立读取的输入流对象
        try {
            FileReader reader = new FileReader(file);

            // 每次调用read可以读取一个字符，
            // 按照int类型返回，返回的是字符的编码，
            // 需要通过强制类型转换，变为char类型
            // Java中对于String这个类一般不建议反复修改，因为会占用内存。
            StringBuilder builder = new StringBuilder();
            // 因为文件中有很多的字符，因此需要循环来进行内容的读取。
            // 就需要判断是否还有字符进行读取
            int value = -1;
            // 每次读取时，如果读到内容，则会返回 0 - 65535 的char类型字符
            // 如果没有读取到内容，则返回 -1 ，因此我们可以根据这个 -1 来判断后面是否还有内容
            while ((value = reader.read()) != -1) {
                // 将读取到的内容保存下来
                char c = (char) value;
                // 把字符放入到StringBuilder里
                builder.append(c);
            }
            // 没有读取到内容，说明循环结束，已经到了文件的末尾
            return builder.toString();
        } catch (Exception e) {
            e.printStackTrace();
        }
        return null;
    }
}

目前这样编写已经可以实现内容的输入和输出操作了。

但是还不支持换行操作，如果想换行，需要人工进行 的编写。

如果不想人工编写换行，就可以使用以下两个类来完成输入。

PrintWriter（打印流）

BufferedWriter（缓冲流）

    public static void writeData(String filePath, String... data) {
        // 先有一个文件，来保存要写出的数据
        File file = new File(filePath);
        // 建立输出流对象
        try {
            // FileWriter writer = new FileWriter(file);
            PrintWriter pw = new PrintWriter(file);
            // 开始完成内容的输出
            for (String str : data) {
                pw.println(str);
            }
            // 资源必须回收，也就是必须将流关闭
            pw.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

使用时，注意我们这里加入了可变参数来动态传入多个字符串（即String...  data）。

当读取数据时，如果我们使用普通的读取方式，对于换行的处理不方便。

如果想按行读取内容，可以使用BufferedReader，Scanner

Scanner是JDK1.5新的

BufferedReader是JDK1.0就有的，所以使用BufferedReader。

为什么现在还使用BufferedReader，因为Scanner不支持编码的转换。

    public static String readData(String filePath) {
        // 也要建立文件对象
        File file = new File(filePath);
        // 建立读取的输入流对象
        try {
            FileReader reader = new FileReader(file);
            BufferedReader bw = new BufferedReader(reader);
            // 每次调用read可以读取一个字符，
            // 按照int类型返回，返回的是字符的编码，
            // 需要通过强制类型转换，变为char类型
            // Java中对于String这个类一般不建议反复修改，因为会占用内存。
            StringBuilder builder = new StringBuilder();
            // 因为文件中有很多的字符，因此需要循环来进行内容的读取。
            // 就需要判断是否还有字符进行读取
            String line = null;
            // 每次读取时，如果读到内容，则会返回 0 - 65535 的char类型字符
            // 如果没有读取到内容，则返回 -1 ，因此我们可以根据这个 -1 来判断后面是否还有内容
            while ((line = bw.readLine()) != null) {
                // 将读取到的内容保存下来
                // 把字符放入到StringBuilder里
                builder.append(line);
                System.out.println(line);
            }
            // 没有读取到内容，说明循环结束，已经到了文件的末尾
            return builder.toString();
        } catch (Exception e) {
            e.printStackTrace();
        }

        return null;
    }

例如，将一个D盘的test.txt的内容读取出来，再写出到E盘的test.txt中

 

    public static void copyFile(String inputFile, String outputPath) {
        // 首先建立输入和输出的文件
        File input = new File(inputFile);
        File output = new File(outputPath);
        // 建立输入和输出流
        try {
            BufferedReader br = new BufferedReader(new FileReader(input));
            PrintWriter pw = new PrintWriter(output);
            // 每次读入一行，所以准备一个变量来接收
            String line = null;
            while ((line = br.readLine()) != null) {
                pw.println(line);
            }
            pw.close();
            br.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

 

文件夹迭代

这里只需要用到一个File类，但需要用里面的一些方法来判断是文件还是文件夹

isFile()：是否是文件

isDirectory()：是否是文件夹

还需要通过递归操作，将目录下的所有子目录也进行迭代。

多线程处理

使用多线程的目的肯定是为了提升程序的效率。

因为在进行网络数据爬取时，一般都是同时爬取多个网页的数据，而不是单个网页，因此在项目开发中我们需要通过多线程，来让程序同时完成多个操作。

多线程有两种实现方式：

1） 继承Thread类

2） 实现Runnable接口

使用多线程时，还有两个必须注意的方法：

1） start()启动线程

2） run()编写线程执行的主体。

先来完成一个倒计时功能：

public class ThreadDemo {
    public static void main(String[] args) {
        // new MyThread().start();
        // new Thread() {
        // public void run() {
        // for (int i = 10; i >= 0; i--) {
        // System.out.println("剩余时间：" + i);
        // try {
        // Thread.sleep(100);
        // } catch (InterruptedException e) {
        // e.printStackTrace();
        // }
        // }
        // }
        // }.start();
        // new Thread(new MyRunnable()).start();
    }
}

//继承Thread类必须重写run类
class MyThread extends Thread {
    @Override
    public void run() {
        for (int i = 10; i >= 0; i--) {
            System.out.println("剩余时间：" + i);
            try {
                Thread.sleep(100);
            } catch (InterruptedException e) {
                e.printStackTrace();
            }
        }
    }
}
class MyRunnable implements Runnable {
    @Override
    public void run() {
        for (int i = 10; i >= 0; i--) {
            System.out.println("剩余时间：" + i);
            try {
                Thread.sleep(100);
            } catch (InterruptedException e) {
                e.printStackTrace();
            }
        }
    }
}

 

类集处理

List：允许重复，可以根据下标来取得数据，会按照放入的顺序来存储数据。

　　　　ArrayList：以数组的形式存储，适合不经常变动，但经常查询的数据集。

　　　　LinkedList：以链表的形式存储，适合经常变动的数据集，但是不经常查询

public class ListDemo {
    public static void main(String[] args) {
        LinkedList<Integer> list1 = new LinkedList<>();
        for (int i = 0; i <= 100000; i++) {
            list1.add(i);
        }
        long start = System.currentTimeMillis();
        for (int i = 0; i <= 100000; i++) {
            list1.get(i);
        }
        long end = System.currentTimeMillis();
        System.out.println("ArrayList: " + (end - start) + " ms");
    }
}

Set：不允许重复，存储顺序看心情，没办法根据下标取得数据

　　　　HashSet：散列排序（没有顺序）

　　　　TreeSet：二叉树排序，按照固定的规则来排序，TreeSet中的内容必须实现一个Comparable的接口，并且必须覆写compareTo的方法，根据给定的规则来排序。

public class SetDemo {
    public static void main(String[] args) {
        Set<Person> set = new TreeSet<>();
        set.add(new Person("张三", 12));
        set.add(new Person("李四", 22));
        set.add(new Person("王五", 42));
        set.add(new Person("王八", 42));
        set.add(new Person("赵六", 32));
        System.out.println(set);
    }
}

class Person implements Comparable<Person> {
    private String name;
    private Integer age;

    public Person() {
        super();
    }

    public Person(String name, Integer age) {
        super();
        this.name = name;
        this.age = age;
    }

    public String getName() {
        return name;
    }

    public void setName(String name) {
        this.name = name;
    }

    public Integer getAge() {
        return age;
    }

    public void setAge(Integer age) {
        this.age = age;
    }

    @Override
    public String toString() {
        return "Person [name=" + name + ", age=" + age + "]";
    }
    @Override
    public int compareTo(Person o) {
        if (this.age > o.age) {
            return 1;
        } else if (this.age < o.age) {
            return -1;
        }
        if (this.name.equals(o.name)) {
            return 0;
        }
        return 1;
    }
}

Map：key-value形式，可以根据key取得value，key按照Set集合的模式来保存。

　　　　HashMap：散列

　　　　TreeMap：有顺序

对于Map集合，要求能够循环迭代出里面的所有数据。

所以必须掌握Map的循环方法。

public class MapDemo {
    public static void main(String[] args) {
        Map<String, Integer> map = new HashMap<>();
        map.put("方便面", 20);
        map.put("火腿肠", 120);
        map.put("矿泉水", 20);
        map.put("可乐", 30);

        // Map集合如果想迭代必须先按照key来进行迭代，
        // 再根key查找value
        Set<String> keySet = map.keySet();
        for (String key : keySet) {
            System.out.println(key + " ---> " + map.get(key));
        }
    }
}

小结：

本篇对于java封装、继承、多态三大特性，IO操作，线程管理，类集处理（List、Set、Map）进行了阐述以及代码实现。

到此，对于网页数据的爬写的知识准备的可以了，下一篇我会先对一个文件进行数据爬取，然后再对网页上的数据代码实现爬虫功能。