Java语言怎么实现爬虫
这篇文章给大家分享的是有关Java语言怎么实现爬虫的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
为什么我们要爬取数据
在大数据时代,我们要获取更多数据,就要进行数据的挖掘、分析、筛选,比如当我们做一个项目的时候,需要大量真实的数据的时候,就需要去某些网站进行爬取,有些网站的数据爬取后保存到数据库还不能够直接使用,需要进行清洗、过滤后才能使用,我们知道有些数据是非常真贵的。
分析豆瓣电影网站
我们使用Chrome浏览器去访问豆瓣的网站如
https://movie.douban.com/explore#!type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0
在Chrome浏览器的network中会得到如下的数据
可以看到地址栏上的参数type=movie&tag=热门&sort=recommend&page_limit=20&page_start=0
其中type是电影tag是标签，sort是按照热门进行排序的,page_limit是每页20条数据,page_start是从第几页开始查询。
但是这不是我们想要的,我们需要去找豆瓣电影数据的总入口地址是下面这个
https://movie.douban.com/tag/#/
我们再次的去访问请求终于拿到了豆瓣的电影数据如下图所示
在看下请求头信息
最后我们确认了爬取的入口为:
https://movie.douban.com/j/new_search_subjects?sort=U&range=0,10&tags=&start=0
创建Maven项目开始爬取
我们创建一个maven工程,如下图所示
maven工程的依赖，这里只是爬取数据,所以没有必要使用Spring,这里使用的数据持久层框架是mybatis 数据库用的是mysql,下面是maven的依赖
org.jsonjson20160810com.alibabafastjson1.2.47mysqlmysql-connector-java5.1.47org.mybatismybatis3.5.1junitjunit4.12
创建好之后,结构如下所示
首先我们在model包中建立实体对象,字段和豆瓣电影的字段一样,就是请求豆瓣电影的json对象里面的字段
Movie实体类
publicclassMovie{privateStringid;//电影的idprivateStringdirectors;//导演privateStringtitle;//标题privateStringcover;//封面privateStringrate;//评分privateStringcasts;//演员publicStringgetId(){returnid;}publicvoidsetId(Stringid){this.id=id;}publicStringgetDirectors(){returndirectors;}publicvoidsetDirectors(Stringdirectors){this.directors=directors;}publicStringgetTitle(){returntitle;}publicvoidsetTitle(Stringtitle){this.title=title;}publicStringgetCover(){returncover;}publicvoidsetCover(Stringcover){this.cover=cover;}publicStringgetRate(){returnrate;}publicvoidsetRate(Stringrate){this.rate=rate;}publicStringgetCasts(){returncasts;}publicvoidsetCasts(Stringcasts){this.casts=casts;}}
这里注意的是导演和演员是多个人我没有直接处理。这里应该是一个数组对象。
创建mapper接口
publicinterfaceMovieMapper{voidinsert(Moviemovie);ListfindAll();}
在resources下创建数据连接配置文件jdbc.properties
driver=com.mysql.jdbc.Driverurl=jdbc:mysql://localhost:3306/huadiusername=rootpassword=root
创建mybatis配置文件 mybatis-config.xml
创建mapper.xml映射文件
INSERTINTOmovie(id,title,cover,rate,casts,directors)VALUES(#{id},#{title},#{cover},#{rate},#{casts},#{directors})SELECT*FROMmovie
由于这里没有用任何的第三方爬虫框架,用的是原生Java的Http协议进行爬取的,所以我写了一个工具类
publicclassGetJson{publicJSONObjectgetHttpJson(Stringurl,intcomefrom)throwsException{try{URLrealUrl=newURL(url);HttpURLConnectionconnection=(HttpURLConnection)realUrl.openConnection();connection.setRequestProperty("accept","*/*");connection.setRequestProperty("connection","Keep-Alive");connection.setRequestProperty("user-agent","Mozilla/4.0(compatible;MSIE6.0;WindowsNT5.1;SV1)");//建立实际的连接connection.connect();//请求成功if(connection.getResponseCode()==200){InputStreamis=connection.getInputStream();ByteArrayOutputStreambaos=newByteArrayOutputStream();//10MB的缓存byte[]buffer=newbyte[10485760];intlen=0;while((len=is.read(buffer))!=-1){baos.write(buffer,0,len);}StringjsonString=baos.toString();baos.close();is.close();//转换成json数据处理//getHttpJson函数的后面的参数1，表示返回的是json数据，2表示http接口的数据在一个（）中的数据JSONObjectjsonArray=getJsonString(jsonString,comefrom);returnjsonArray;}}catch(MalformedURLExceptione){e.printStackTrace();}catch(IOExceptionex){ex.printStackTrace();}returnnull;}publicJSONObjectgetJsonString(Stringstr,intcomefrom)throwsException{JSONObjectjo=null;if(comefrom==1){returnnewJSONObject(str);}elseif(comefrom==2){intindexStart=0;//字符处理for(inti=0;i爬取豆瓣电影的启动类
publicclassMain{publicstaticvoidmain(String[]args){Stringresource="mybatis-config.xml";定义配置文件路径InputStreaminputStream=null;try{inputStream=Resources.getResourceAsStream(resource);//读取配置文件}catch(IOExceptione){e.printStackTrace();}SqlSessionFactorysqlSessionFactory=newSqlSessionFactoryBuilder().build(inputStream);//注册mybatis工厂SqlSessionsqlSession=sqlSessionFactory.openSession();//得到连接对象MovieMappermovieMapper=sqlSession.getMapper(MovieMapper.class);//从mybatis中得到dao对象intstart;//每页多少条inttotal=0;//记录数intend=9979;//总共9979条数据for(start=0;start<=end;start+=20){try{Stringaddress="https://Movie.douban.com/j/new_search_subjects?sort=U&range=0,10&tags=&start="+start;JSONObjectdayLine=newGetJson().getHttpJson(address,1);System.out.println("start:"+start);JSONArrayjson=dayLine.getJSONArray("data");Listlist=JSON.parseArray(json.toString(),Movie.class);if(start<=end){System.out.println("已经爬取到底了");sqlSession.close();}for(Moviemovie:list){movieMapper.insert(movie);sqlSession.commit();}total+=list.size();System.out.println("正在爬取中---共抓取:"+total+"条数据");}catch(Exceptione){e.printStackTrace();}}}}
最后我们运行将所有的数据插入到数据库中。
感谢各位的阅读！关于“Java语言怎么实现爬虫”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
