溫馨提示×

溫馨提示×

您好,登錄后才能下訂單哦!

密碼登錄×
登錄注冊×
其他方式登錄
點(diǎn)擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

Java爬蟲實(shí)現(xiàn)爬取京東上的手機(jī)搜索頁面 HttpCliient+Jsoup

發(fā)布時(shí)間:2020-10-24 06:25:16 來源:腳本之家 閱讀:173 作者:雜兵2號 欄目:編程語言

1、需求及配置

需求:爬取京東手機(jī)搜索頁面的信息,記錄各手機(jī)的名稱,價(jià)格,評論數(shù)等,形成一個可用于實(shí)際分析的數(shù)據(jù)表格。

Java爬蟲實(shí)現(xiàn)爬取京東上的手機(jī)搜索頁面 HttpCliient+Jsoup

使用Maven項(xiàng)目,log4j記錄日志,日志僅導(dǎo)出到控制臺。

Maven依賴如下(pom.xml)

<dependencies>
 <dependency>
 <groupId>org.apache.httpcomponents</groupId>
 <artifactId>httpclient</artifactId>
 <version>4.5.3</version>
 </dependency>

 <dependency>
 <!-- jsoup HTML parser library @ https://jsoup.org/ -->
 <groupId>org.jsoup</groupId>
 <artifactId>jsoup</artifactId>
 <version>1.11.2</version>
 </dependency>

 <!-- https://mvnrepository.com/artifact/log4j/log4j -->
 <dependency>
 <groupId>log4j</groupId>
 <artifactId>log4j</artifactId>
 <version>1.2.17</version>
 </dependency>
 </dependencies>

log4j配置(log4j.properties),將INFO及以上等級信息輸出到控制臺,不單獨(dú)設(shè)置輸出文檔。

log4j.rootLogger=INFO, Console 
 
#Console 
log4j.appender.Console=org.apache.log4j.ConsoleAppender
log4j.appender.Console.layout=org.apache.log4j.PatternLayout
log4j.appender.Console.layout.ConversionPattern=%d [%t] %-5p [%c] - %m%n

2、需求分析與代碼

2.1需求分析

第一步,建立客戶端與服務(wù)端的連接,并通過URL獲得網(wǎng)頁上的HTML內(nèi)容。

第二步,解析HTML內(nèi)容,獲取需要的元素。

第三步,將HTML內(nèi)容輸出到本地的文本文檔中,可直接通過其他數(shù)據(jù)分析軟件進(jìn)行分析。

根據(jù)以上分析,建立4個類,GetHTML(用于獲取網(wǎng)站HTML), ParseHTML(用于解析HTML), WriteTo(用于輸出文檔), Maincontrol(主控).下面分別對四個類進(jìn)行說明。為使代碼盡量簡潔,所有的異常均從方法上直接拋出,不catch。

2.2代碼

2.2.1GetHTML類

該類包含兩個方法:getH(String url), urlControl(String baseurl, int page),分別用于獲取網(wǎng)頁HTML及控制URL。由于此次爬取的網(wǎng)頁內(nèi)容只是京東上某一類商品的搜索結(jié)果,所以不需要對頁面上所有的URL進(jìn)行遍歷,只需要觀察翻頁時(shí)URL的變化,推出規(guī)律即可。只向外暴露urlControl方法,類中設(shè)置一個private的log屬性:private static Logger log = Logger.getLogger(getHTML.class); 用于記錄日志。

getH(String url),對單個URL的HTML內(nèi)容進(jìn)行獲取。

urlControl(String baseurl, int page),設(shè)置循環(huán),訪問多個頁面的數(shù)據(jù)。通過審查元素可以看到京東上搜索頁page的變化實(shí)際是奇數(shù)順序的變化。

Java爬蟲實(shí)現(xiàn)爬取京東上的手機(jī)搜索頁面 HttpCliient+Jsoup

再看一下點(diǎn)擊后網(wǎng)址的變化,可以發(fā)現(xiàn)實(shí)際變化的是page屬性的值。通過拼接的方式就可以很的容易的獲得下一個網(wǎng)頁的地址。

https://search.jd.com/Search?keyword=%E6%89%8B%E6%9C%BA&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&cid2=653&cid3=655&page=3&s=47&click=0
https://search.jd.com/Search?keyword=%E6%89%8B%E6%9C%BA&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&cid2=653&cid3=655&page=5&s=111&click=0
https://search.jd.com/Search?keyword=%E6%89%8B%E6%9C%BA&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&cid2=653&cid3=655&page=7&s=162&click=0

整體代碼:

import java.io.IOException;
import org.apache.http.HttpEntity;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;
import org.apache.log4j.Logger;

public class getHTML {
 //建立日志
 private static Logger log = Logger.getLogger(getHTML.class);
 private static String getH(String url) throws ClientProtocolException, IOException {
 //控制臺輸出日志,這樣每條訪問的URL都可以在控制臺上看到訪問情況
 log.info("正在解析" + url);
 
 /* 
  * 以下內(nèi)容為HttpClient建立連接的一般用法
  * 使用HttpClient建立客戶端
  * 使用get方法訪問指定URL
  * 獲得應(yīng)答
  * */
 
 CloseableHttpClient client = HttpClients.createDefault();
 HttpGet get = new HttpGet(url);
 CloseableHttpResponse response = client.execute(get);
 
 /*
  * 以下內(nèi)容為將HTML內(nèi)容轉(zhuǎn)化為String
  * 獲得應(yīng)答體
  * 將應(yīng)答體轉(zhuǎn)為String格式,此處使用了EntityUtils中的toString方法,編碼格式設(shè)置為"utf-8"
  * 完成后關(guān)閉客戶端與應(yīng)答
  * */
 HttpEntity entity = response.getEntity();
 String content;
 if (entity != null) {
  content = EntityUtils.toString(entity, "utf-8");
  client.close();
  response.close();
  return content;
 } else
  return null;
 }
 public static void urlControl(String baseurl, int page) throws ClientProtocolException, IOException {
 //設(shè)置當(dāng)前頁count
 int count = 1;
 //如果當(dāng)前頁小于想要爬取的頁數(shù)則執(zhí)行
 while (count < page) {
  //實(shí)際訪問的URL為不變的URL值拼接上URL變化的值
  String u = baseurl + (2 * count - 1) + "&click=0";
  //此處調(diào)用ParseHTML類中的方法對URL中的HTML頁面進(jìn)行處理,后面詳細(xì)介紹該類
  String content = ParseHTML.parse(getH(u)).toString();
  //此處調(diào)用WriteTo類中的方法對解析出來的內(nèi)容寫入到本地,后面詳細(xì)介紹該類
  WriteTo.writeto(content);
  count++;
 }
 }
}

2.2.2ParseHTML類

該步驟需要通過審查元素對需要爬取內(nèi)容的標(biāo)簽進(jìn)行確定,再通過Jsoup中的CSS選擇器進(jìn)行獲取。

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class ParseHTML {
 
 public static StringBuilder parse(String content)
 {
 //使用Jsoup中的parse方法對已經(jīng)轉(zhuǎn)換為String的HTML內(nèi)容進(jìn)行分析,返回值為Document類
 Document doc = Jsoup.parse(content);
 //使用選擇器select對需要找的元素進(jìn)行抓取,例如第一個select中選擇的是ul標(biāo)簽中class屬性等于gl-warp clearfix的內(nèi)容
 Elements ele = doc.select("ul[class = gl-warp clearfix]").select("li[class=gl-item]");
 //設(shè)置一個容器,用于裝各個屬性
 StringBuilder sb = new StringBuilder();
 //通過上一個選擇器可以獲得整個頁面中所有符合要求的元素,也即各款手機(jī),下面則需要對每款手機(jī)進(jìn)行遍歷,獲取其屬性
 for (Element e : ele) {
  //此處對各個屬性的獲取參考了網(wǎng)上一篇爬取京東上內(nèi)容的文章,應(yīng)該有其他不同的寫法
  String id = e.attr("data-pid");
  String mingzi = e.select("div[class = p-name p-name-type-2]").select("a").select("em").text();
  String jiage = e.select("div[class=p-price]").select("strong").select("i").text();
  String pinglun = e.select("div[class=p-commit]").select("strong").select("a").text();
  //向容器中添加屬性
  sb.append(id+"\t");
  sb.append(mingzi+"\t");
  sb.append(jiage+"\t");
  sb.append(pinglun+"\t");
  sb.append("\r\n");
 }
 return sb;
 }
}

2.2.3WriteTo類

此類中的方法將解析完成的內(nèi)容寫入到一個本地文件中。只是簡單的IO。

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;

public class WriteTo {
 // 設(shè)置文件存放的位置
 private static File f = new File("C:\\jingdong.txt");
 public static void writeto(String content) throws IOException {
 //使用續(xù)寫的方式,以免覆蓋前面寫入的內(nèi)容
 BufferedWriter bw = new BufferedWriter(new FileWriter(f, true));
 bw.append(content);
 bw.flush();
 bw.close();
 }
}

2.2.4MainControl類

主控程序,寫入基地址與想要獲取的頁面數(shù)。調(diào)用getHTML類中的urlControl方法對頁面進(jìn)行抓取。

import java.io.IOException;
import org.apache.http.client.ClientProtocolException;

public class MainControl {
 public static void main(String[] args) throws ClientProtocolException, IOException {
 // TODO Auto-generated method stub
 String baseurl = "https://search.jd.com/Search?keyword=%E6%89%8B%E6%9C%BA&enc="
  + "utf-8&qrst=1&rt=1&stop=1&vt=2&cid2=653&cid3=655&page=";
 int page = 5;//設(shè)置爬取頁數(shù)
 getHTML.urlControl(baseurl, page);
 }
}

3、爬取結(jié)果

爬取20頁。

3.1控制臺輸出

Java爬蟲實(shí)現(xiàn)爬取京東上的手機(jī)搜索頁面 HttpCliient+Jsoup

3.2文檔輸出

可以直接使用Excel打開,分隔符為制表符。列分別為商品編號,名稱,價(jià)格與評論數(shù)。

Java爬蟲實(shí)現(xiàn)爬取京東上的手機(jī)搜索頁面 HttpCliient+Jsoup

4、小結(jié)

此次爬取使用了HttpClient與Jsoup,可以看到對于簡單的需求,這些工具還是非常高效的。實(shí)際上也可以把所有類寫到一個類當(dāng)中,寫多個類的方式思路比較清晰。

以上這篇Java爬蟲實(shí)現(xiàn)爬取京東上的手機(jī)搜索頁面 HttpCliient+Jsoup就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持億速云。

向AI問一下細(xì)節(jié)

免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI