java实现简单的爬虫之今日头条

前言

需要提前说下的是，由于今日头条的文章的特殊性，所以无法直接获取文章的地址，需要获取文章的id然后在拼接成url再访问。下面话不多说了，直接上代码。

示例代码如下

public class demo2 {

 public static void main(string[] args) {

  // 需要爬的网页的文章列表
  string url = "http://www.toutiao.com/news_finance/";
  //文章详情页的前缀(由于今日头条的文章都是在group这个目录下,所以定义了前缀,而且通过请求获取到的html页面)
  string url2="http://www.toutiao.com/group/";
  //链接到该网站
  connection connection = jsoup.connect(url);
  document content = null;
  try {
    //获取内容
    content = connection.get();
  } catch (ioexception e) {
    e.printstacktrace();
  }
  //转换成字符串
  string htmlstr = content.html();
  //因为今日头条的文章展示比较奇葩,都是通过js定义成变量,所以无法使用获取dom元素的方式获取值
  string jsonstr = stringutils.substringbetween(htmlstr,"var _data = ", ";");
  system.out.println(jsonstr);
  map parse = (map) jsonobject.parse(jsonstr);
  jsonarray parsearray = (jsonarray) parse.get("real_time_news");
  map map=null;
  list<map> maps=new arraylist<>();
  //遍历这个jsonarray,获取到每一个json对象,然后将其转换成map对象(在这里其实只需要一个group_id,那么没必要使用map)
  for(int i=0;i<parsearray.size();i++){
    map = (map)parsearray.get(i);
    maps.add((map)parsearray.get(i));
    system.out.println(map.get("group_id"));

  }
  //遍历之前获取到的map集合,然后分别访问这些文章详情页
  for (map map2 : maps) {
    connection = jsoup.connect(url2+map2.get("group_id"));
    try {
      document document = connection.get();
      //获取文章标题
      elements title = document.select("[class=article-title]");
      system.out.println(title.html());
      //获取文章来源和文章发布时间
      elements articleinfo = document.select("[class=articleinfo]");
      elements src = articleinfo.select("[class=src]");
      system.out.println(src.html());
      elements time = articleinfo.select("[class=time]");
      system.out.println(time.html());
      //获取文章内容
      elements contentele = document.select("[class=article-content]");
      system.out.println(contentele.html());
    } catch (ioexception e) {
      e.printstacktrace();
    }
  }
 }
}

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作能带来一定的帮助，如果有疑问大家可以留言交流。