zoukankan      html  css  js  c++  java
  • 毕业设计进度8

    开始修改爬取核心代码,改变自己正则表达式,通过这个扩大可爬取的帖子内容,并且通过修改变量类型尽可能的避免出现null或者爬取输出到控制台为空的问题

    核心代码:

    public class CnblogsSpider implements PageProcessor {
    
        private Site site = Site.me().setRetryTimes(3).setSleepTime(1000).setTimeOut(10000)
                .addHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36");
    
        public static final String URL_LIST = "https://www.cnblogs.com/mvc/AggSite/PostList.aspx";
    
        public static int pageNum = 1;
    
        public void process(Page page) {
    
            if (page.getUrl().regex("^https://www\.cnblogs\.com$").match()) {
                try {
                    page.addTargetRequests(page.getHtml().xpath("//*[@id="post_list"]/div/div[@class='post_item_body']/h3/a/@href").all());
                    pageNum++;
                 //模拟post请求
                    Request req = new Request();
                    req.setMethod(HttpConstant.Method.POST);
                    req.setUrl("https://www.cnblogs.com/mvc/AggSite/PostList.aspx");
                    req.setRequestBody(HttpRequestBody.json("{CategoryType: 'SiteHome', ParentCategoryId: 0, CategoryId: 808, PageIndex: " + pageNum
                            + ", TotalPostCount: 4000,ItemListActionName:'PostList'}", "utf-8"));
                    page.addTargetRequest(req);
                } catch (Exception e) {
                    e.printStackTrace();
                }
            } else if (page.getUrl().regex(URL_LIST).match() && pageNum <= 200) {
                try {           
                    Thread.sleep(5000);
                    List<String> urls = page.getHtml().xpath("//*[@class='post_item']//div[@class='post_item_body']/h3/a/@href").all();
                    page.addTargetRequests(urls);
                    //模拟post请求
                    Request req = new Request();
                    req.setMethod(HttpConstant.Method.POST);
                    req.setUrl("https://www.cnblogs.com/mvc/AggSite/PostList.aspx");
                    req.setRequestBody(HttpRequestBody.json("{CategoryType: 'SiteHome', ParentCategoryId: 0, CategoryId: 808, PageIndex: " + ++pageNum
                            + ", TotalPostCount: 4000,ItemListActionName:'PostList'}", "utf-8"));
                    page.addTargetRequest(req);
                    System.out.println("CurrPage:" + pageNum + "#######################################");
    
                } catch (Exception e) {
                    e.printStackTrace();
                }
            } else {
                // 获取页面需要的内容,这里只取了标题,其他信息同理。
                System.out.println("抓取的内容:" + page.getHtml().xpath("//a[@id='cb_post_title_url']/text()").get());
            }
        }
    
        public Site getSite() {
            return site;
        }
    
        public static void main(String[] args) {
            Spider.create(new CnblogsSpider()).addUrl("https://www.cnblogs.com").thread(3).run();
        }
    }
  • 相关阅读:
    Unity编辑器
    Unity编辑器
    Unity编辑器
    MaxScript代码补全插件
    学习用MaxScipt批处理Max文件
    Unity编辑器
    Unity编辑器
    节属性 转 页属性
    在挂起的进程中创建一个远程线程
    Sql server 级联删除
  • 原文地址:https://www.cnblogs.com/z245894546/p/12311905.html
Copyright © 2011-2022 走看看