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爬虫抓取视频网站下载链接

程序员文章站 2024-03-12 10:26:56
本篇文章抓取目标网站的链接的基础上,进一步提高难度,抓取目标页面上我们所需要的内容并保存在数据库中。这里的测试案例选用了一个我常用的电影下载网站()。本来是想抓取网站上的所...

本篇文章抓取目标网站的链接的基础上,进一步提高难度,抓取目标页面上我们所需要的内容并保存在数据库中。这里的测试案例选用了一个我常用的电影下载网站()。本来是想抓取网站上的所有电影的下载链接,后来感觉需要的时间太长,因此改成了抓取2015年电影的下载链接。

一 原理简介

其实原理都跟第一篇文章差不多,不同的是鉴于这个网站的分类列表实在太多,如果不对这些标签加以取舍的话,需要花费的时间难以想象。

Java爬虫抓取视频网站下载链接

分类链接和标签链接都不要,不通过这些链接去爬取其他页面,只通过页底的所有类型电影的分页去获取其他页面的电影列表即可。同时,对于电影详情页面,仅仅只是抓取其中的电影标题和迅雷下载链接,并不进行深层次的爬行,详情页面的一些推荐电影等链接通通不要。

Java爬虫抓取视频网站下载链接

最后就是将所有获取到的电影的下载链接保存在videolinkmap这个集合中,通过遍历这个集合将数据保存到mysql里

二 代码实现

实现原理已经在上面说了,并且代码中有详细注释,因此这里就不多说了,代码如下:

package action;
import java.io.bufferedreader;
import java.io.ioexception;
import java.io.inputstream;
import java.io.inputstreamreader;
import java.net.httpurlconnection;
import java.net.malformedurlexception;
import java.net.url;
import java.sql.connection;
import java.sql.preparedstatement;
import java.sql.sqlexception;
import java.util.linkedhashmap;
import java.util.map;
import java.util.regex.matcher;
import java.util.regex.pattern;
 
public class videolinkgrab {
 
  public static void main(string[] args) {
    videolinkgrab videolinkgrab = new videolinkgrab();
    videolinkgrab.savedata("http://www.80s.la/movie/list/-2015----p");
  }
 
  /**
   * 将获取到的数据保存在数据库中
   * 
   * @param baseurl
   *      爬虫起点
   * @return null
   * */
  public void savedata(string baseurl) {
    map<string, boolean> oldmap = new linkedhashmap<string, boolean>(); // 存储链接-是否被遍历
 
    map<string, string> videolinkmap = new linkedhashmap<string, string>(); // 视频下载链接
    string oldlinkhost = ""; // host
 
    pattern p = pattern.compile("(https?://)?[^/\\s]*"); // 比如:http://www.zifangsky.cn
    matcher m = p.matcher(baseurl);
    if (m.find()) {
      oldlinkhost = m.group();
    }
 
    oldmap.put(baseurl, false);
    videolinkmap = crawllinks(oldlinkhost, oldmap);
    // 遍历,然后将数据保存在数据库中
    try {
      connection connection = jdbcdemo.getconnection();
      for (map.entry<string, string> mapping : videolinkmap.entryset()) {
        preparedstatement pstatement = connection
            .preparestatement("insert into movie(moviename,movielink) values(?,?)");
        pstatement.setstring(1, mapping.getkey());
        pstatement.setstring(2, mapping.getvalue());
        pstatement.executeupdate();
        pstatement.close();
//       system.out.println(mapping.getkey() + " : " + mapping.getvalue());
      }
      connection.close();
    } catch (sqlexception e) {
      e.printstacktrace();
    }
  }
 
  /**
   * 抓取一个网站所有可以抓取的网页链接,在思路上使用了广度优先算法 对未遍历过的新链接不断发起get请求, 一直到遍历完整个集合都没能发现新的链接
   * 则表示不能发现新的链接了,任务结束
   * 
   * 对一个链接发起请求时,对该网页用正则查找我们所需要的视频链接,找到后存入集合videolinkmap
   * 
   * @param oldlinkhost
   *      域名,如:http://www.zifangsky.cn
   * @param oldmap
   *      待遍历的链接集合
   * 
   * @return 返回所有抓取到的视频下载链接集合
   * */
  private map<string, string> crawllinks(string oldlinkhost,
      map<string, boolean> oldmap) {
    map<string, boolean> newmap = new linkedhashmap<string, boolean>(); // 每次循环获取到的新链接
    map<string, string> videolinkmap = new linkedhashmap<string, string>(); // 视频下载链接
    string oldlink = "";
 
    for (map.entry<string, boolean> mapping : oldmap.entryset()) {
      // system.out.println("link:" + mapping.getkey() + "--------check:"
      // + mapping.getvalue());
      // 如果没有被遍历过
      if (!mapping.getvalue()) {
        oldlink = mapping.getkey();
        // 发起get请求
        try {
          url url = new url(oldlink);
          httpurlconnection connection = (httpurlconnection) url
              .openconnection();
          connection.setrequestmethod("get");
          connection.setconnecttimeout(2500);
          connection.setreadtimeout(2500);
 
          if (connection.getresponsecode() == 200) {
            inputstream inputstream = connection.getinputstream();
            bufferedreader reader = new bufferedreader(
                new inputstreamreader(inputstream, "utf-8"));
            string line = "";
            pattern pattern = null;
            matcher matcher = null;
            //电影详情页面,取出其中的视频下载链接,不继续深入抓取其他页面
            if(ismoviepage(oldlink)){
              boolean checktitle = false;
              string title = "";
              while ((line = reader.readline()) != null) {
                //取出页面中的视频标题
                if(!checktitle){
                  pattern = pattern.compile("([^\\s]+).*?</title>");
                  matcher = pattern.matcher(line);
                  if(matcher.find()){
                    title = matcher.group(1);
                    checktitle = true;
                    continue;
                  }
                }
                // 取出页面中的视频下载链接
                pattern = pattern
                    .compile("(thunder:[^\"]+).*thunder[rr]es[tt]itle=\"[^\"]*\"");
                matcher = pattern.matcher(line);
                if (matcher.find()) {
                  videolinkmap.put(title,matcher.group(1));
                  system.out.println("视频名称: "
                      + title + " ------ 视频链接:"
                      + matcher.group(1));
                  break; //当前页面已经检测完毕
                }
              } 
            }
            //电影列表页面
            else if(checkurl(oldlink)){
              while ((line = reader.readline()) != null) {
 
                pattern = pattern
                    .compile("<a href=\"([^\"\\s]*)\"");
                matcher = pattern.matcher(line);
                while (matcher.find()) {
                  string newlink = matcher.group(1).trim(); // 链接
                  // 判断获取到的链接是否以http开头
                  if (!newlink.startswith("http")) {
                    if (newlink.startswith("/"))
                      newlink = oldlinkhost + newlink;
                    else
                      newlink = oldlinkhost + "/" + newlink;
                  }
                  // 去除链接末尾的 /
                  if (newlink.endswith("/"))
                    newlink = newlink.substring(0,
                        newlink.length() - 1);
                  // 去重,并且丢弃其他网站的链接
                  if (!oldmap.containskey(newlink)
                      && !newmap.containskey(newlink)
                      && (checkurl(newlink) || ismoviepage(newlink))) {
                    system.out.println("temp: " + newlink);
                    newmap.put(newlink, false);
                  }
                }
              }
            }
 
            reader.close();
            inputstream.close();
          }
          connection.disconnect();
        } catch (malformedurlexception e) {
          e.printstacktrace();
        } catch (ioexception e) {
          e.printstacktrace();
        }
 
        try {
          thread.sleep(1000);
        } catch (interruptedexception e) {
          e.printstacktrace();
        }
        oldmap.replace(oldlink, false, true);
      }
    }
    // 有新链接,继续遍历
    if (!newmap.isempty()) {
      oldmap.putall(newmap);
      videolinkmap.putall(crawllinks(oldlinkhost, oldmap)); // 由于map的特性,不会导致出现重复的键值对
    }
    return videolinkmap;
  }
   
  /**
   * 判断是否是2015年的电影列表页面
   * @param url 待检查url
   * @return 状态
   * */
  public boolean checkurl(string url){
    pattern pattern = pattern.compile("http://www.80s.la/movie/list/-2015----p\\d*");
    matcher matcher = pattern.matcher(url);
    if(matcher.find())
      return true; //2015年的列表
    else
      return false;
  }
   
  /**
   * 判断页面是否是电影详情页面
   * @param url 页面链接
   * @return 状态
   * */
  public boolean ismoviepage(string url){
    pattern pattern = pattern.compile("http://www.80s.la/movie/\\d+");
    matcher matcher = pattern.matcher(url);
    if(matcher.find())
      return true; //电影页面
    else 
      return false;
  }
   
}

注:如果想要实现抓取其他网站的一些指定内容的话,需要将其中的一些正则表达式根据实际情况进行合理修改

三 测试效果

Java爬虫抓取视频网站下载链接

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。