今天我們就來說說關(guān)于Java網(wǎng)絡(luò)爬蟲的介紹。在本文中，我們以虎撲榜的新聞標(biāo)題和詳情頁為例。我們需要提取的內(nèi)容如下：

我們需要提取帶圓圈的文本及其對應(yīng)的鏈接。在提取的過程中，我們會使用兩種方式提取，一種是Jsoup，一種是httpclient+正則表達(dá)式。這也是Java網(wǎng)絡(luò)爬蟲常用的兩種方式。你不知道這兩種方式是無關(guān)緊要的。后面會有相應(yīng)的手冊。在正式編寫提取程序之前，先講解一下Java爬蟲系列博文的環(huán)境。本系列博文中的所有demo都是使用SpringBoot搭建的。無論您使用什么環(huán)境，您只需要正確導(dǎo)入相應(yīng)的包即可。

基于Jsoup的信息抽取

首先創(chuàng)建一個隨機(jī)名稱的Springboot項(xiàng)目，并在pom.xml中引入Jsoup依賴

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.12.1</version>
</dependency>

好的，我們一起來分析一下頁面。你還沒有瀏覽它。在列表頁面中，我們使用 F12 評論元素來查看頁面結(jié)構(gòu)。經(jīng)過我們的分析，我們發(fā)現(xiàn)列表新聞在<div class="news-list">標(biāo)簽下，每條新聞都是一個li標(biāo)簽。分析結(jié)果如下：

因?yàn)橹拔覀円呀?jīng)知道了css選擇器，所以我們編譯了我們a標(biāo)簽的css選擇器的代碼：Div。新聞列表 > UL > Li > Div. list-hd > H4 > a，結(jié)合瀏覽器的opy功能。全部都準(zhǔn)備好了。我們一起編譯了Jsoup模式提取信息的代碼：

/**
 * jsoup Ways to Get Tiger Pop News List Page
 * @param url Hupu News List page url
 */
public void jsoupList(String url){
    try {
        Document document = Jsoup.connect(url).get();
        // Using css selector to extract list news a tag
        // <a  target="_blank">Howard: I had a 30-day diet during the summer break, which tested my mind and body.</a>
        Elements elements = document.select("div.news-list > ul > li > div.list-hd > h4 > a");
        for (Element element:elements){
//                System.out.println(element);
            // Get Details Page Links
            String d_url = element.attr("href");
            // Get the title
            String title = element.ownText();

            System.out.println("Details page links:"+d_url+" ,Details page title:"+title);

        }
    } catch (IOException e) {
        e.printStackTrace();
    }
}

使用Jsoup提取信息還是很簡單的。只需5或6行代碼即可完成。更多關(guān)于Jsoup是如何提取節(jié)點(diǎn)信息的，可以參考jsoup的官網(wǎng)教程。下面我們編寫main方法來執(zhí)行jsoupList方法，看看jsoupList方法是否正確。

public static void main(String[] args) {
    String url = "https://voice.hupu.com/nba";
    CrawlerBase crawlerBase = new CrawlerBase();
    crawlerBase.jsoupList(url);
}

執(zhí)行main方法，得到如下結(jié)果：

從結(jié)果中，我們可以看到我們正確提取了我們想要的信息。如果要采集詳情頁的信息，只需要寫一個采集詳情頁的方法，在方法中提取詳情頁對應(yīng)的節(jié)點(diǎn)信息，然后把從列表頁中提取的鏈接傳入到提取詳情頁的方法中頁。

httpclient+正則表達(dá)式

上面，我們使用Jsoup正確提取了老虎池列表消息。接下來，我們使用httpclient+正則表達(dá)式來提取老虎池列表消息。使用這種方法會涉及哪些問題？httpclient+正則表達(dá)式的方式涉及到很多知識點(diǎn)。它涉及到正則表達(dá)式、Java正則表達(dá)式和httpclient。如果你還不知道，你可以點(diǎn)擊下面的鏈接進(jìn)行簡單的了解。

正則表達(dá)式：正則表達(dá)式

Java正則表達(dá)式：Java正則表達(dá)式

httpclient:httpclient

在pom.xml文件中，我們引入了httpclient相關(guān)的Jar包

<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpclient</artifactId>
    <version>4.5.10</version>
</dependency>
<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpcore</artifactId>
    <version>4.4.10</version>
</dependency>
<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpmime</artifactId>
    <version>4.5.10</version>
</dependency>

關(guān)于Tiger Pop List的新聞頁面，我們在使用Jsoup模式時做了一個簡單的分析。這里我們不再重復(fù)分析。對于正則表達(dá)式提取，我們需要找到可以表示列表新聞的結(jié)構(gòu)，例如<div class="list-hd"> <h4> <a href="https://voice.hupu.com/nba/2485508。 html" target="_blank"> 直上天空！魔術(shù)官媒曝光富爾茨扣籃炫酷特效圖</a> </h4> </div> 這種結(jié)構(gòu)，每個榜單新聞只有鏈接和標(biāo)題不同，其余都一樣，而且<div class="list-hd "> 是列出新聞所獨(dú)有的。最好不要定期匹配標(biāo)簽，因?yàn)闃?biāo)簽在其他地方也存在，所以我們需要做其他處理來增加我們的難度。

/**
 * httpclient + Regular Expressions Get Tiger Pop News List Pages
 * @param url Hupu News List page url
 */
public void httpClientList(String url){
    try {
        CloseableHttpClient httpclient = HttpClients.createDefault();
        HttpGet httpGet = new HttpGet(url);
        CloseableHttpResponse response = httpclient.execute(httpGet);
        if (response.getStatusLine().getStatusCode() == 200) {
            HttpEntity entity = response.getEntity();
            String body = EntityUtils.toString(entity,"utf-8");
   
            if (body!=null) {
                 /*
                 * Replace line breaks, tabs, carriage returns, and remove these symbols. Regular representations are simpler to write.
                 * Only space symbols and other normal fonts
                 */
                Pattern p = Pattern.compile("\t|\r|\n");
                Matcher m = p.matcher(body);
                body = m.replaceAll("");
                /*
                 * Extracting regular expressions from list pages
                 * li after line breaks are removed
                 * <div class="list-hd">                                    <h4>                                        <a   target="_blank">Interaction with fans! Celtic Official Sunshine Team Open Training Day Photos </a> </h4> </div>
                 */
                Pattern pattern = Pattern
                        .compile("<div class=\"list-hd\">\\s* <h4>\\s* <a href=\"(.*?)\"\\s* target=\"_blank\">(.*?)</a>\\s* </h4>\\s* </div>" );

                Matcher matcher = pattern.matcher(body);
                // Match all data that conforms to regular expressions
                while (matcher.find()){
//                        String info = matcher.group(0);
//                        System.out.println(info);
                    // Extract links and titles
                    System.out.println("Details page links:"+matcher.group(1)+" ,Details page title:"+matcher.group(2));
                }
            }else {
                System.out.println("Handling failure!!! Get the text empty");
            }
        } else {
            System.out.println("Handling failure!!! Return status code:" + response.getStatusLine().getStatusCode());
        }
    }catch (Exception e){
        e.printStackTrace();
    }

}

從代碼行數(shù)可以看出，比Jsource模式多很多。雖然代碼很多，但整體來說還是比較簡單的。在上面的方法中，我做了一個特殊的處理。首先，我替換了httpclient獲取到的字符串體中的換行符、制表符和回車符，因?yàn)檫@樣的處理可以減少編寫正則表達(dá)式時的一些額外干擾。接下來，我們修改main方法以運(yùn)行httpClientList方法。

public static void main(String[] args) {
    String url = "https://voice.hupu.com/nba";
    CrawlerBase crawlerBase = new CrawlerBase();
//        crawlerBase.jsoupList(url);
    crawlerBase.httpClientList(url);
}

操作結(jié)果如下：

使用httpclient+正則表達(dá)式，也正確獲取了列表新聞的標(biāo)題和詳情頁鏈接。這是Java爬蟲系列的第一篇。本文主要介紹Java網(wǎng)絡(luò)爬蟲。我們使用jsource和httpclient+定期提取新聞標(biāo)題和鏈接到Hupu List新聞的詳細(xì)頁面。當(dāng)然還有很多不完整的，比如收集詳情頁信息入數(shù)據(jù)庫。

以上就是動力節(jié)點(diǎn)小編介紹的"Java爬蟲學(xué)習(xí)，就是這么簡單"，希望對大家有幫助，如有疑問，請?jiān)诰€咨詢，有專業(yè)老師隨時為您服務(wù)。