Java爬虫(二)

　　

　　上一篇简单的实现了获取url返回的内容，在这一篇就要第返回的内容进行提取，并将结果保存到html中。而且这个爬虫是基于python爬虫的java语言实现，其逻辑大致相同。

一 、 需求:

　　抓取主页面：百度百科Python词条   https://baike.baidu.com/item/Python/407313

　　

分析上面的源码格式，便于提取：

• 关键词分析:位于class为lemmaWgt-lemmaTitle-title的dd元素的第一个h1标签内

•  简介分析(位于class为lemma-summary的div的text内容)

 　　

• 其他相关联的标签的分析(是a标签，且href以/item/开头)

 

二、抓取过程流程图:

 

三、代码实现:

1.SpiderManager.java 

　　构造函数中创建Url管理器，html加载器，html解析器，html输出器

　　craw()方法中是爬虫的主要业务逻辑。

package cn.qlq.craw.JsoupBaike;

import java.io.IOException;
import java.util.List;
import java.util.Map;

/**
 * 爬虫的入口
 * @author liqiang
 *
 */
public class SpiderManager {
    private UrlManager urlManager;
    private HtmlLoader htmlLoader;
    private HtmlOutputer htmlOutputer;
    private HtmlParser htmlParser;
    
    public SpiderManager() {
        super();
        this.urlManager =new  UrlManager();
        this.htmlLoader =new  HtmlLoader();
        this.htmlOutputer =new HtmlOutputer();
        this.htmlParser =new  HtmlParser();
    }
    
    
    /**
     * 爬虫的主要逻辑
     * @param url    需要爬的网站地址
     */
    public void craw(String url){
        if(url == null || "".equals(url)){
            return;
        }
        int count = 0;//记录爬取了几个页面
        urlManager.addNewUrl(url);
        while (urlManager.hasNewUrl()){
            try {
                String newUrl = urlManager.getNewUrl();//获取需要爬取的网站url
                String htmlContent = htmlLoader.loadUrl(newUrl);//爬取网站内容
                Map<String,Object> datas = htmlParser.parseHtml(newUrl,htmlContent);//提取到爬到的网页中需要的信息
                urlManager.addNewUrls((List<String>) datas.get("urls"));//将提取到的url信息保存到urlManager
                htmlOutputer.collectData(datas);//将提取到的数据收集起来
                if(count == 10){
                    break;
                }
                count++;
            } catch (Exception e) {
                System.out.println("发生异常"+e.getMessage());
            }
        }
        try {
            htmlOutputer.outputDatas();
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
    }
    
    public UrlManager getUrlManager() {
        return urlManager;
    }
    public void setUrlManager(UrlManager urlManager) {
        this.urlManager = urlManager;
    }
    public HtmlLoader getHtmlLoader() {
        return htmlLoader;
    }
    public void setHtmlLoader(HtmlLoader htmlLoader) {
        this.htmlLoader = htmlLoader;
    }

    public HtmlOutputer getHtmlOutputer() {
        return htmlOutputer;
    }
    public void setHtmlOutputer(HtmlOutputer htmlOutputer) {
        this.htmlOutputer = htmlOutputer;
    }


    public HtmlParser getHtmlParser() {
        return htmlParser;
    }
    public void setHtmlParser(HtmlParser htmlParser) {
        this.htmlParser = htmlParser;
    }
}

2.UrlManager.java

　　维护两个list，一个用于存放未被爬取的url地址

　　　　　　　　一个用于存储已经爬取的url地址，并且两者不能有重复元素

package cn.qlq.craw.JsoupBaike;

import java.util.ArrayList;
import java.util.LinkedList;
import java.util.List;
/**
 * url管理器
 * @author liqiang
 *
 */
@SuppressWarnings("all")
public class UrlManager {

    /**
     * 存放未被访问的url的list
     */
    private List<String> new_urls;
    /**
     * 存放已经访问过的url的list
     */
    private List<String> old_urls;
    public UrlManager() {
        this.new_urls = new LinkedList<String>();
        this.old_urls = new LinkedList<String>();
    }
    
    /**
     * 添加一个url到list中
     * @param url
     */
    public void addNewUrl(String url) {
        if(url == null || "".equals(url)){
            return;
        }
        if(!new_urls.contains(url) && !old_urls.contains(url) ){
            new_urls.add(url);
        }
    }

    /**
     * 判断是否有新的url
     * @return
     */
    public boolean hasNewUrl() {
        return new_urls.size()>0;
    }

    /**
     * 弹出一个新的url
     * @return
     */
    public String getNewUrl() {
        if(new_urls.size() == 0){
            return null;
        }
        String newUrl = new_urls.get(0);//从未访问的集合中获取一个数据
        new_urls.remove(0);//移除第一个元素
        old_urls.add(newUrl);//将移除的数据添加到旧的已经访问过的集合中
        return newUrl;
    }

    /**
     * 批量添加url
     * @param urls    需要添加的url集合
     */
    public void addNewUrls(List<String> urls) {
        if(urls == null || urls.size()==0){
            return;
        }
        for(String url:urls){
            this.addNewUrl(url);
        }
    }
    
    
    public List<String> getNew_urls() {
        return new_urls;
    }

    public void setNew_urls(List<String> new_urls) {
        this.new_urls = new_urls;
    }

    public List<String> getOld_urls() {
        return old_urls;
    }

    public void setOld_urls(List<String> old_urls) {
        this.old_urls = old_urls;
    }
    
}

3.HtmlLoader.java

　　主要就是利用JSoup去读取url的内容

package cn.qlq.craw.JsoupBaike;

import java.io.IOException;

import org.jsoup.Jsoup;
/**
 * 读取url的内容
 * @author liqiang
 *
 */
public class HtmlLoader {

    public String loadUrl(String newUrl) {
        try {
            return Jsoup.connect(newUrl).post().toString();
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
        return "";
    }

}

4.HtmlParser.java

　　主要就是提取页面的主要内容(a标签，标题和简介)

package cn.qlq.craw.JsoupBaike;

import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
/**
 * 解析器
 * @author liqiang
 *
 */
public class HtmlParser {
    /**
     * 提取网站信息
     * 
     * @param newUrl
     * @param htmlContent
     * @return map中应该包含该网页上提取到的url地址(set集合)和关键字
     */
    public Map<String, Object> parseHtml(String newUrl, String htmlContent) {
        // 0.将返回的htmlContent转换成DOM树
        // Document document = Jsoup.parse(htmlContent);
        // 1.获取到所有的a标签，且a标签的href属性包含/item
        List<String> urls = this.getUrls(newUrl, htmlContent);
        // 2.获取指定的标题和介绍
        Map<String, Object> titleAndSummary = this.getTitleAndSummary(newUrl, htmlContent);
        // 创建一个map,将提取到的urls和标题和简介装到map中返回去
        Map<String, Object> result = new HashMap<String, Object>();
        result.put("urls", urls);
        result.put("titleAndSummary", titleAndSummary);
        return result;
    }

    /**
     * 获取标题和简介
     * 
     * @param newUrl
     *            传下来的访问的url
     * @param htmlContent
     *            传下来的获取到的html内容
     * @return
     */
    private Map<String, Object> getTitleAndSummary(String newUrl, String htmlContent) {
        Document document = Jsoup.parse(htmlContent);// 转换成DOM文档
        // 1.获取标题
        // first查找下面的第一个h1元素,get(index)可以获取指定位置的标签
        Element title_ele = document.select("dd.lemmaWgt-lemmaTitle-title").select("h1").first();
        String title_text = title_ele.text();
        // 2.获取简介
        Element summary_ele = document.select("div.lemma-summary").first();
        String summary_text = summary_ele.text();

        //将3.数据加入map返回
        Map<String, Object> titleAndSummary = new HashMap<String, Object>();
        titleAndSummary.put("title", title_text);
        titleAndSummary.put("summary", summary_text);
        titleAndSummary.put("url", newUrl);
        return titleAndSummary;
    }

    /**
     * 获取到所有的a标签，且a标签的href属性包含/item
     * 
     * @param newUrl
     * @param htmlContent
     * @return
     */
    private List<String> getUrls(String newUrl, String htmlContent) {
        Document document = Jsoup.parse(htmlContent);// 转换成DOM文档
        Elements elements = document.select("a[href^='/item']");// 查找以/item开头的元素的标签
        List<String> urls = new ArrayList<String>();
        for (Element ele : elements) {
            String url = newUrl.substring(0, newUrl.indexOf("/item")) + ele.attr("href");
            urls.add(url);
        }
        return urls;
    }

}

5.HtmlOutputer.java

　　主要作用有两个:一个是保存每次提取的信息

　　　　　　　　　一个是最后爬虫完毕将提取的信息输出到html中。　

package cn.qlq.craw.JsoupBaike;

import java.io.BufferedOutputStream;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.FileWriter;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import java.util.Map;

/**
 * 输出器
 * 
 * @author liqiang
 *
 */
public class HtmlOutputer {

    private List<Map<String, Object>> collected_datas;

    public HtmlOutputer() {
        this.collected_datas = new ArrayList<Map<String, Object>>();
    }

    /**
     * 收集数据
     * 
     * @param datas
     */
    public void collectData(Map<String, Object> datas) {
        collected_datas.add(datas);// 将数据 添加到集合中
    }

    /**
     * 最后处理所有的数据，写出到html或者保存数据库
     * 
     * @throws IOException
     */
    public void outputDatas() throws IOException {
        if (collected_datas != null && collected_datas.size() > 0) {
            File file = new File("C:\Users\liqiang\Desktop\实习\python\JavaCraw\out.html");
            // 如果文件不存在就创建文件
            if (!file.exists()) {
                file.createNewFile();
            }
            // 构造FileWriter用于向文件中输出信息(此构造方法可以接收file参数，也可以接收fileName参数)
            FileWriter fileWriter = new FileWriter(file);
            // 开始写入数据
            fileWriter.write("<html>");
            fileWriter.write("<head>");
            fileWriter.write("<title>爬取结果</title>");
            fileWriter
                    .write("<style>table{100%;table-layout: fixed;word-break: break-all; word-wrap: break-word;}"
                            + "table td{border:1px solid black;300px}</style>");
            fileWriter.write("</head>");
            fileWriter.write("<body>");
            fileWriter.write("<table cellpadding='0' cellspacing='0'>");
            for (Map<String, Object> datas : collected_datas) {
                @SuppressWarnings("unchecked")
                Map<String, Object> data = (Map<String, Object>) datas.get("titleAndSummary");
                String url = (String) data.get("url");
                String title = (String) data.get("title");
                String summary = (String) data.get("summary");
                fileWriter.write("<tr>");
                fileWriter.write("<td><a href=" + url + ">" + url + "</a></td>");
                fileWriter.write("<td>" + title + "</td>");
                fileWriter.write("<td>" + summary + "</td>");
                fileWriter.write("</tr>");

            }
            fileWriter.write("</table>");
            fileWriter.write("</body>");
            fileWriter.write("</html>");
            // 关闭文件流
            fileWriter.close();
        }
    }

}

至此代码编写基本完成，下面进行测试:

package cn.qlq.craw.JsoupBaike;

import java.io.FileWriter;

public class MainClass {

    public static void main(String[] args) {
        String url = "https://baike.baidu.com/item/Python/407313";
        SpiderManager sm = new SpiderManager();
        sm.craw(url);
    }

}

结果:(会生成out.html)

 Jsoup中文API网址:http://www.open-open.com/jsoup/

 python同样功能的爬虫实现:http://www.cnblogs.com/qlqwjy/p/8877705.html