Java爬虫，信息抓取的实现

转载请注明出处：http://blog.csdn.net/lmj623565791/article/details/23272657

今天公司有个需求，需要做一些指定网站查询后的数据的抓取，于是花了点时间写了个demo供演示使用。

思想很简单：就是通过Java访问的链接，然后拿到html字符串，然后就是解析链接等需要的数据。

技术上使用Jsoup方便页面的解析，当然Jsoup很方便，也很简单，一行代码就能知道怎么用了：

Document doc = Jsoup.connect("http://www.oschina.net/")
 .data("query", "Java")   // 请求参数
 .userAgent("I ’ m jsoup") // 设置 User-Agent
 .cookie("auth", "token") // 设置 cookie
 .timeout(3000)           // 设置连接超时时间
 .post();                 // 使用 POST 方法访问 URL

下面介绍整个实现过程：

1、分析需要解析的页面：

网址：http://www1.sxcredit.gov.cn/public/infocomquery.do?method=publicIndexQuery

页面：

先在这个页面上做一次查询：观察下请求的url，参数，method等。

这里我们使用chrome内置的开发者工具（快捷键F12），下面是查询的结果：

我们可以看到url，method，以及参数。知道了如何或者查询的URL，下面就开始代码了，为了重用与扩展，我定义了几个类：

1、Rule.java用于指定查询url,method,params等

package com.zhy.spider.rule;  
  
/** 
 * 规则类 
 *  
 * @author zhy 
 *  
 */  
public class Rule  
{  
    /** 
     * 链接 
     */  
    private String url;  
  
    /** 
     * 参数集合 
     */  
    private String[] params;  
    /** 
     * 参数对应的值 
     */  
    private String[] values;  
  
    /** 
     * 对返回的HTML，第一次过滤所用的标签，请先设置type 
     */  
    private String resultTagName;  
  
    /** 
     * CLASS / ID / SELECTION 
     * 设置resultTagName的类型，默认为ID  
     */  
    private int type = ID ;  
      
    /** 
     *GET / POST 
     * 请求的类型，默认GET 
     */  
    private int requestMoethod = GET ;   
      
    public final static int GET = 0 ;  
    public final static int POST = 1 ;  
      
  
    public final static int CLASS = 0;  
    public final static int ID = 1;  
    public final static int SELECTION = 2;  
  
    public Rule()  
    {  
    }  
  
      
    public Rule(String url, String[] params, String[] values,  
            String resultTagName, int type, int requestMoethod)  
    {  
        super();  
        this.url = url;  
        this.params = params;  
        this.values = values;  
        this.resultTagName = resultTagName;  
        this.type = type;  
        this.requestMoethod = requestMoethod;  
    }  
  
    public String getUrl()  
    {  
        return url;  
    }  
  
    public void setUrl(String url)  
    {  
        this.url = url;  
    }  
  
    public String[] getParams()  
    {  
        return params;  
    }  
  
    public void setParams(String[] params)  
    {  
        this.params = params;  
    }  
  
    public String[] getValues()  
    {  
        return values;  
    }  
  
    public void setValues(String[] values)  
    {  
        this.values = values;  
    }  
  
    public String getResultTagName()  
    {  
        return resultTagName;  
    }  
  
    public void setResultTagName(String resultTagName)  
    {  
        this.resultTagName = resultTagName;  
    }  
  
    public int getType()  
    {  
        return type;  
    }  
  
    public void setType(int type)  
    {  
        this.type = type;  
    }  
  
    public int getRequestMoethod()  
    {  
        return requestMoethod;  
    }  
  
    public void setRequestMoethod(int requestMoethod)  
    {  
        this.requestMoethod = requestMoethod;  
    }  
  
}  

简单说一下：这个规则类定义了我们查询过程中需要的所有信息，方便我们的扩展，以及代码的重用，我们不可能针对每个需要抓取的网站写一套代码。

2、需要的数据对象，目前只需要链接，LinkTypeData.java

package com.zhy.spider.bean;  
  
public class LinkTypeData  
{  
    private int id;  
    /** 
     * 链接的地址 
     */  
    private String linkHref;  
    /** 
     * 链接的标题 
     */  
    private String linkText;  
    /** 
     * 摘要 
     */  
    private String summary;  
    /** 
     * 内容 
     */  
    private String content;  
    public int getId()  
    {  
        return id;  
    }  
    public void setId(int id)  
    {  
        this.id = id;  
    }  
    public String getLinkHref()  
    {  
        return linkHref;  
    }  
    public void setLinkHref(String linkHref)  
    {  
        this.linkHref = linkHref;  
    }  
    public String getLinkText()  
    {  
        return linkText;  
    }  
    public void setLinkText(String linkText)  
    {  
        this.linkText = linkText;  
    }  
    public String getSummary()  
    {  
        return summary;  
    }  
    public void setSummary(String summary)  
    {  
        this.summary = summary;  
    }  
    public String getContent()  
    {  
        return content;  
    }  
    public void setContent(String content)  
    {  
        this.content = content;  
    }  
}  

3、核心的查询类：ExtractService.java

package com.zhy.spider.core;  
  
import java.io.IOException;  
import java.util.ArrayList;  
import java.util.List;  
import java.util.Map;  
  
import javax.swing.plaf.TextUI;  
  
import org.jsoup.Connection;  
import org.jsoup.Jsoup;  
import org.jsoup.nodes.Document;  
import org.jsoup.nodes.Element;  
import org.jsoup.select.Elements;  
  
import com.zhy.spider.bean.LinkTypeData;  
import com.zhy.spider.rule.Rule;  
import com.zhy.spider.rule.RuleException;  
import com.zhy.spider.util.TextUtil;  
  
/** 
 *  
 * @author zhy 
 *  
 */  
public class ExtractService  
{  
    /** 
     * @param rule 
     * @return 
     */  
    public static List<LinkTypeData> extract(Rule rule)  
    {  
  
        // 进行对rule的必要校验  
        validateRule(rule);  
  
        List<LinkTypeData> datas = new ArrayList<LinkTypeData>();  
        LinkTypeData data = null;  
        try  
        {  
            /** 
             * 解析rule 
             */  
            String url = rule.getUrl();  
            String[] params = rule.getParams();  
            String[] values = rule.getValues();  
            String resultTagName = rule.getResultTagName();  
            int type = rule.getType();  
            int requestType = rule.getRequestMoethod();  
  
            Connection conn = Jsoup.connect(url);  
            // 设置查询参数  
  
            if (params != null)  
            {  
                for (int i = 0; i < params.length; i++)  
                {  
                    conn.data(params[i], values[i]);  
                }  
            }  
  
            // 设置请求类型  
            Document doc = null;  
            switch (requestType)  
            {  
            case Rule.GET:  
                doc = conn.timeout(100000).get();  
                break;  
            case Rule.POST:  
                doc = conn.timeout(100000).post();  
                break;  
            }  
  
            //处理返回数据  
            Elements results = new Elements();  
            switch (type)  
            {  
            case Rule.CLASS:  
                results = doc.getElementsByClass(resultTagName);  
                break;  
            case Rule.ID:  
                Element result = doc.getElementById(resultTagName);  
                results.add(result);  
                break;  
            case Rule.SELECTION:  
                results = doc.select(resultTagName);  
                break;  
            default:  
                //当resultTagName为空时默认去body标签  
                if (TextUtil.isEmpty(resultTagName))  
                {  
                    results = doc.getElementsByTag("body");  
                }  
            }  
  
            for (Element result : results)  
            {  
                Elements links = result.getElementsByTag("a");  
  
                for (Element link : links)  
                {  
                    //必要的筛选  
                    String linkHref = link.attr("href");  
                    String linkText = link.text();  
  
                    data = new LinkTypeData();  
                    data.setLinkHref(linkHref);  
                    data.setLinkText(linkText);  
  
                    datas.add(data);  
                }  
            }  
  
        } catch (IOException e)  
        {  
            e.printStackTrace();  
        }  
  
        return datas;  
    }  
  
    /** 
     * 对传入的参数进行必要的校验 
     */  
    private static void validateRule(Rule rule)  
    {  
        String url = rule.getUrl();  
        if (TextUtil.isEmpty(url))  
        {  
            throw new RuleException("url不能为空！");  
        }  
        if (!url.startsWith("http://"))  
        {  
            throw new RuleException("url的格式不正确！");  
        }  
  
        if (rule.getParams() != null && rule.getValues() != null)  
        {  
            if (rule.getParams().length != rule.getValues().length)  
            {  
                throw new RuleException("参数的键值对个数不匹配！");  
            }  
        }  
  
    }  
  
  
} 

4、里面用了一个异常类：RuleException.java

package com.zhy.spider.rule;  
  
public class RuleException extends RuntimeException  
{  
  
    public RuleException()  
    {  
        super();  
        // TODO Auto-generated constructor stub  
    }  
  
    public RuleException(String message, Throwable cause)  
    {  
        super(message, cause);  
        // TODO Auto-generated constructor stub  
    }  
  
    public RuleException(String message)  
    {  
        super(message);  
        // TODO Auto-generated constructor stub  
    }  
  
    public RuleException(Throwable cause)  
    {  
        super(cause);  
        // TODO Auto-generated constructor stub  
    }  
  
} 

5、最后是测试了：这里使用了两个网站进行测试，采用了不同的规则，具体看代码吧

package com.zhy.spider.test;  
  
import java.util.List;  
  
import com.zhy.spider.bean.LinkTypeData;  
import com.zhy.spider.core.ExtractService;  
import com.zhy.spider.rule.Rule;  
  
public class Test  
{  
    @org.junit.Test  
    public void getDatasByClass()  
    {  
        Rule rule = new Rule(  
                "http://www1.sxcredit.gov.cn/public/infocomquery.do?method=publicIndexQuery",  
        new String[] { "query.enterprisename","query.registationnumber" }, new String[] { "兴网","" },  
                "cont_right", Rule.CLASS, Rule.POST);  
        List<LinkTypeData> extracts = ExtractService.extract(rule);  
        printf(extracts);  
    }  
  
    @org.junit.Test  
    public void getDatasByCssQuery()  
    {  
        Rule rule = new Rule("http://www.11315.com/search",  
                new String[] { "name" }, new String[] { "兴网" },  
                "div.g-mn div.con-model", Rule.SELECTION, Rule.GET);  
        List<LinkTypeData> extracts = ExtractService.extract(rule);  
        printf(extracts);  
    }  
  
    public void printf(List<LinkTypeData> datas)  
    {  
        for (LinkTypeData data : datas)  
        {  
            System.out.println(data.getLinkText());  
            System.out.println(data.getLinkHref());  
            System.out.println("***********************************");  
        }  
  
    }  
}  

输出结果：

深圳市网兴科技有限公司  
http://14603257.11315.com  
***********************************  
荆州市兴网公路物资有限公司  
http://05155980.11315.com  
***********************************  
西安市全兴网吧  
#  
***********************************  
子长县新兴网城  
#  
***********************************  
陕西同兴网络信息有限责任公司第三分公司  
#  
***********************************  
西安高兴网络科技有限公司  
#  
***********************************  
陕西同兴网络信息有限责任公司西安分公司  
#  
***********************************  

最后使用一个Baidu新闻来测试我们的代码：说明我们的代码是通用的。

     /** 
 * 使用百度新闻，只设置url和关键字与返回类型 
 */  
@org.junit.Test  
public void getDatasByCssQueryUserBaidu()  
{  
    Rule rule = new Rule("http://news.baidu.com/ns",  
            new String[] { "word" }, new String[] { "支付宝" },  
            null, -1, Rule.GET);  
    List<LinkTypeData> extracts = ExtractService.extract(rule);  
    printf(extracts);  
}  

我们只设置了链接、关键字、和请求类型，不设置具体的筛选条件。

结果：有一定的垃圾数据是肯定的，但是需要的数据肯定也抓取出来了。我们可以设置Rule.SECTION,以及筛选条件进一步的限制。

按时间排序  
/ns?word=支付宝&ie=utf-8&bs=支付宝&sr=0&cl=2&rn=20&tn=news&ct=0&clk=sortbytime  
***********************************  
x  
javascript:void(0)  
***********************************  
支付宝将联合多方共建安全基金 首批投入4000万  
http://finance.ifeng.com/a/20140409/12081871_0.shtml  
***********************************  
7条相同新闻  
/ns?word=%E6%94%AF%E4%BB%98%E5%AE%9D+cont:2465146414%7C697779368%7C3832159921&same=7&cl=1&tn=news&rn=30&fm=sd  
***********************************  
百度快照  
http://cache.baidu.com/c?m=9d78d513d9d437ab4f9e91697d1cc0161d4381132ba7d3020cd0870fd33a541b0120a1ac26510d19879e20345dfe1e4bea876d26605f75a09bbfd91782a6c1352f8a2432721a844a0fd019adc1452fc423875d9dad0ee7cdb168d5f18c&p=c96ec64ad48b2def49bd9b780b64&newp=c4769a4790934ea95ea28e281c4092695912c10e3dd796&user=baidu&fm=sc&query=%D6%A7%B8%B6%B1%A6&qid=a400f3660007a6c5&p1=1  
***********************************  
OpenSSL漏洞涉及众多网站 支付宝称暂无数据泄露  
http://tech.ifeng.com/internet/detail_2014_04/09/35590390_0.shtml  
***********************************  
26条相同新闻  
/ns?word=%E6%94%AF%E4%BB%98%E5%AE%9D+cont:3869124100&same=26&cl=1&tn=news&rn=30&fm=sd  
***********************************  
百度快照  
http://cache.baidu.com/c?m=9f65cb4a8c8507ed4fece7631050803743438014678387492ac3933fc239045c1c3aa5ec677e4742ce932b2152f4174bed843670340537b0efca8e57dfb08f29288f2c367117845615a71bb8cb31649b66cf04fdea44a7ecff25e5aac5a0da4323c044757e97f1fb4d7017dd1cf4&p=8b2a970d95df11a05aa4c32013&newp=9e39c64ad4dd50fa40bd9b7c5253d8304503c52251d5ce042acc&user=baidu&fm=sc&query=%D6%A7%B8%B6%B1%A6&qid=a400f3660007a6c5&p1=2  
***********************************  
雅虎日本6月起开始支持支付宝付款  
http://www.techweb.com.cn/ucweb/news/id/2025843  
***********************************