JAVA之爬虫jsoup实现

前几天做了一道题，就是关于爬取手机信息的一个爬虫，我在查阅了一些资料后决定使用jsoup来实现，可以基本完成功能，但是由于这些网页有懒加载机制，也就是有异步请求，所以数据不是很全，但可以拿到70%左右的数据，接下来我详细介绍一下。

准备工作

1.创建Maven项目，将jsoup依赖写入pom.xml文件中，这个网上教程很多，不叙述了。
2.打开浏览器。
3.打开查看器查看要爬取的信息页面元素。

话不多说上代码

相关解释我直接在注释中说明。

package main;

import org.jsoup.Connection.Method;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.junit.Test;
//上面是一些导包
import bean.MobilePhone;

public class Doing {
	private int count = 0;
	private MobilePhone mobile = new MobilePhone();

	public void doAll() throws Exception {
		int page = 1;
		//初始URL，这个URL是直接在浏览器URL栏中复制得到的
		String url="https://search.jd.com/Search?keyword=三星手机&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&bs=1&suggest=1.his.0.0&ev=exbrand_三星（SAMSUNG）^&page=";
		
		for(int i=1;i<50;i++ ) {
			//获取每一页的URL地址
			/*这里解释一下,这个URL有一些参数是无用的，最后我发现如果想要换页是     page的值不同且是1、3、5......这样递增的，所以下面我是拼接的每一页地址。
			*/
			String realUrl = url+String.valueOf(page);
			getAllPage(realUrl);
			System.out.println("完成第："+i+"页");	
			page = page + 2;
		}
		//count用来计数获取到的数量
		System.out.println("总共完成了"+count+"个商品");
	}
		
		
	//完成一整页
	public void getAllPage(String url) throws Exception {
		Document doc = Jsoup.connect(url)
				.method(Method.GET).timeout(60000).maxBodySize(0).get();
		Elements uiList = doc.select("ul[class='gl-warp clearfix']").select("li[class='gl-item']");
		//获取到商品简略页的信息
		for (Element element : uiList) {
			Elements pricee = element.select("div[class='p-price']");
			//获取价格，因为详情页拿不到价格，所以在简略拿了价格。
			String price = pricee.select("i").text();
			if(!price.equals("")){
				mobile.setPrice(price);
			}
			//找到详情页的URL
			String href= element.select("div[class='p-name p-name-type-2']").select("a").attr("href");
			String[] hrefs = href.split("//");
			//测试中发现有些地址没有加协议，所以判断了一下后加入了协议
			if(hrefs[0].equals("")) {
				href = "https:"+href;
			}
			//进入获取
			this.getEachMobileMessage(href);
			count++;
			mobile = new MobilePhone();
		}

	}
	//完成详情页
	public  void getEachMobileMessage(String url) throws Exception {
		Document doc = Jsoup.connect(url).maxBodySize(0).get();
		//获取手机商品各项信息
		Elements ulList1 = doc.select("ul[class='parameter2 p-parameter-list']");	
		Elements liList = ulList1.select("li");
		//这里使用indexOf()是为了模糊匹配 
		for (Element element : liList) {
			String[] kv = element.text().split("：");
			if("商品名称".equals(kv[0])) {
				mobile.setMoblieName(kv[1]);
			}else if(kv[0].indexOf("内存") != -1){
				mobile.setMemory(kv[1]);
			}else if(kv[0].indexOf("电池") != -1) {
				mobile.setBatteryCapacoty(kv[1]);
			}else if(kv[0].indexOf("颜色") != -1) {
				mobile.setColor(kv[1]);
			}else if(kv[0].indexOf("像素") != -1){
				mobile.setCameraPi(kv[1]);
			}
			
		}
		//显示爬取到的手机信息
		System.out.println(mobile);
	}
}

上面为了输出手机信息不停的new也没出问题应该是JAVA的垃圾回收机制的帮助(个人见解)。

总结

1.算是个爬虫入门吧，基本可以自己爬一些信息了。
2.不足之处是不能爬到懒加载的东西，这个可能需要脚本或者模拟器的帮助了。
3.主要还是用了jsoup包，总感觉太依赖包了，希望以后可以自己开发一些可扩展的工具。