Java爬虫抓取视频网站下载链接

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。

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。

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

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。