欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Java实现爬虫

程序员文章站 2022-06-22 09:14:34
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...

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

Java实现爬虫

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

Java实现爬虫

在看下请求头信息

Java实现爬虫

Java实现爬虫

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

Java实现爬虫

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

<dependencies>
    <dependency>
      <groupid>org.json</groupid>
      <artifactid>json</artifactid>
      <version>20160810</version>
    </dependency>

    <dependency>
      <groupid>com.alibaba</groupid>
      <artifactid>fastjson</artifactid>
      <version>1.2.47</version>
    </dependency>

    <dependency>
      <groupid>mysql</groupid>
      <artifactid>mysql-connector-java</artifactid>
      <version>5.1.47</version>
    </dependency>

    <dependency>
      <groupid>org.mybatis</groupid>
      <artifactid>mybatis</artifactid>
      <version>3.5.1</version>
    </dependency>

    <dependency>
      <groupid>junit</groupid>
      <artifactid>junit</artifactid>
      <version>4.12</version>
    </dependency>
  </dependencies>

创建好之后,结构如下所示

Java实现爬虫

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

Java实现爬虫

movie实体类

public class movie {

    private string id; //电影的id
    private string  directors;//导演
    private string title;//标题
    private string cover;//封面
    private string rate;//评分
    private string casts;//演员


    public string getid() {
        return id;
    }

    public void setid(string id) {
        this.id = id;
    }

    public string getdirectors() {
        return directors;
    }

    public void setdirectors(string directors) {
        this.directors = directors;
    }

    public string gettitle() {
        return title;
    }

    public void settitle(string title) {
        this.title = title;
    }

    public string getcover() {
        return cover;
    }

    public void setcover(string cover) {
        this.cover = cover;
    }

    public string getrate() {
        return rate;
    }

    public void setrate(string rate) {
        this.rate = rate;
    }

    public string getcasts() {
        return casts;
    }

    public void setcasts(string casts) {
        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

public interface moviemapper {

    void insert(movie movie);
    
    list<movie> findall();
}

在resources下创建数据连接配置文件jdbc.properties

driver=com.mysql.jdbc.driver
url=jdbc:mysql://localhost:3306/huadi
username=root
password=root

创建mybatis配置文件 mybatis-config.xml

<?xml version="1.0" encoding="utf-8" ?>
<!doctype configuration
 public "-//mybatis.org//dtd config 3.0//en"
        "http://mybatis.org/dtd/mybatis-3-config.dtd">
<configuration>
    <properties resource="jdbc.properties"></properties>
    <environments default="development">
        <environment id="development">
            <transactionmanager type="jdbc"/>
            <datasource type="pooled">
                <property name="driver" value="${driver}"/>
                <property name="url" value="${url}"/>
                <property name="username" value="${username}"/>
                <property name="password" value="${password}"/>
            </datasource>
        </environment>
    </environments>
    <mappers>
        <mapper resource="moviemapper.xml"/>
    </mappers>
</configuration>

创建mapper.xml映射文件

<!doctype mapper
        public "-//mybatis.org//dtd mapper 3.0//en"
        "http://mybatis.org/dtd/mybatis-3-mapper.dtd">
<mapper namespace="com.cn.scitc.mapper.moviemapper">
    <resultmap id="moviemappermap" type="com.cn.scitc.model.movie">
        <id column="id" property="id" jdbctype="varchar"/>
        <id column="title" property="title" jdbctype="varchar"/>
        <id column="cover" property="cover" jdbctype="varchar"/>
        <id column="rate" property="rate" jdbctype="varchar"/>
        <id column="casts" property="casts" jdbctype="varchar"/>
        <id column="directors" property="directors" jdbctype="varchar"/>

    </resultmap>

    <insert id="insert" keyproperty="id" parametertype="com.cn.scitc.model.movie">
        insert into movie(id,title,cover,rate,casts,directors)
        values
        (#{id},#{title},#{cover},#{rate},#{casts},#{directors})
    </insert>
    <select id="findall" resultmap="moviemappermap">
        select * from movie
    </select>
</mapper>

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

public class getjson {
    public jsonobject gethttpjson(string url, int comefrom) throws exception {
        try {
            url realurl = new url(url);
            httpurlconnection connection = (httpurlconnection) realurl.openconnection();
            connection.setrequestproperty("accept", "*/*");
            connection.setrequestproperty("connection", "keep-alive");
            connection.setrequestproperty("user-agent", "mozilla/4.0 (compatible; msie 6.0; windows nt 5.1;sv1)");
            // 建立实际的连接
            connection.connect();
            //请求成功
            if (connection.getresponsecode() == 200) {
                inputstream is = connection.getinputstream();
                bytearrayoutputstream baos = new bytearrayoutputstream();
                //10mb的缓存
                byte[] buffer = new byte[10485760];
                int len = 0;
                while ((len = is.read(buffer)) != -1) {
                    baos.write(buffer, 0, len);
                }
                string jsonstring = 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
                jsonobject jsonarray = getjsonstring(jsonstring, comefrom);
                return jsonarray;
            }
        } catch (malformedurlexception e) {
            e.printstacktrace();
        } catch (ioexception ex) {
            ex.printstacktrace();
        }
        return null;
    }

    public jsonobject getjsonstring(string str, int comefrom) throws exception{
        jsonobject jo = null;
        if(comefrom==1){
            return new jsonobject(str);
        }else if(comefrom==2){
            int indexstart = 0;
            //字符处理
            for(int i=0;i<str.length();i++){
                if(str.charat(i)=='('){
                    indexstart = i;
                    break;
                }
            }
            string strnew = "";
            //分割字符串
            for(int i=indexstart+1;i<str.length()-1;i++){
                strnew += str.charat(i);
            }
            return new jsonobject(strnew);
        }
        return jo;
    }

}

爬取豆瓣电影的启动类

public class main {
    public static  void  main(string [] args) {

        string resource = "mybatis-config.xml"; 定义配置文件路径
        inputstream inputstream = null;
        try {
            inputstream = resources.getresourceasstream(resource);//读取配置文件
        } catch (ioexception e) {
            e.printstacktrace();
        }

        sqlsessionfactory sqlsessionfactory = new sqlsessionfactorybuilder().build(inputstream);//注册mybatis 工厂

        sqlsession sqlsession = sqlsessionfactory.opensession();//得到连接对象

        moviemapper moviemapper = sqlsession.getmapper(moviemapper.class);//从mybatis中得到dao对象

        int start;//每页多少条
        int total = 0;//记录数
        int end = 9979;//总共9979条数据
        for (start  = 0; start <= end; start += 20)  {
            try {

                string address = "https://movie.douban.com/j/new_search_subjects?sort=u&range=0,10&tags=&start=" + start;

                jsonobject dayline = new getjson().gethttpjson(address, 1);

                    system.out.println("start:" + start);
                    jsonarray json = dayline.getjsonarray("data");
                    list<movie> list = json.parsearray(json.tostring(), movie.class);

                    if (start <= end){
                        system.out.println("已经爬取到底了");
                        sqlsession.close();
                    }
                    for (movie movie : 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 (exception e) {
                e.printstacktrace();
            }

        }
    }

}

最后我们运行将所有的数据插入到数据库中。

Java实现爬虫

项目地址

github

总结

爬取豆瓣网站非常的轻松,每页任何的难度,需要注意的是就是start是每页多少条我们发现规则当start=0的时候是20条数据是从0到19条,就这样每次加20条直到爬取完。

到此这篇关于java实现爬虫的文章就介绍到这了。希望对大家的学习有所帮助,也希望大家多多支持。