您好,登錄后才能下訂單哦!
本篇內(nèi)容介紹了“怎么使用Java爬蟲(chóng)來(lái)對(duì)比某東上的數(shù)據(jù)”的有關(guān)知識(shí),在實(shí)際案例的操作過(guò)程中,不少人都會(huì)遇到這樣的困境,接下來(lái)就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧!希望大家仔細(xì)閱讀,能夠?qū)W有所成!
Java如何做爬蟲(chóng)
大家在想到爬蟲(chóng)的時(shí)候,一定想說(shuō),爬蟲(chóng),這東西不是學(xué)Python的人員才能做的么?我們Java能做呢?阿粉想告訴大家的是,可以,Java語(yǔ)言這么多年,歷時(shí)這么久,怎么可能沒(méi)有這些內(nèi)容呢,于是阿粉就開(kāi)始了學(xué)習(xí)了 Java 的爬蟲(chóng)道路。
Jsoup
阿粉在介紹這個(gè)類之前,肯定先得說(shuō)說(shuō)我們通??吹降膬?nèi)容是由什么組成的,現(xiàn)在比如說(shuō)我們做開(kāi)發(fā)的都知道,至少我們?cè)陔娔X端訪問(wèn)某東,某寶的數(shù)據(jù)的時(shí)候,他們給我們反饋的數(shù)據(jù)都是通過(guò) HTML 來(lái)進(jìn)行展示的,比如說(shuō)這個(gè)樣子:
在開(kāi)發(fā)的肯定都是知道,這些都是些什么意思,阿粉在這里我們就不再進(jìn)行詳細(xì)的介紹,說(shuō)這個(gè) HTML 到底是個(gè)啥東西了,阿粉需要介紹的是 Jsoup ,然后告訴大家怎么使用 Jsoup 這個(gè)類爬取京東的數(shù)據(jù)。
正如官方文檔所給我們提示的內(nèi)容,怎么去解析一段 HTML 代碼 :
String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>"; Document doc = Jsoup.parse(html);
而這個(gè) Document是什么呢?我們可以輸出一下看一眼,順帶著看看源碼解釋,畢竟嘛,開(kāi)發(fā)人員不看這個(gè)類是干嘛的,就不是個(gè)合格的程序員不是,
輸出內(nèi)容:
<html> <head> <title>First parse</title> </head> <body> <p>Parsed HTML into a doc.</p> </body> </html>
其實(shí)可以看出這里,Document實(shí)際上是給我們輸出了一個(gè)新的文檔,而且是整理之后的,相當(dāng)于為之后的分析 HTML 做了專業(yè)的準(zhǔn)備。
而我們?cè)诳丛创a的注釋的時(shí)候,不難看出,Jsoup不單單是能解析我們給的這個(gè)字符串,還可以是一個(gè)URL,也可以是一個(gè)文件。
它把我們給他的 HTML 字符串轉(zhuǎn)換成了一個(gè)對(duì)象,這個(gè)對(duì)象就是我們上面看到的 Document,然后我們就可以順利成章的去使用 Document 對(duì)象里面的元素了。
上面是解析字符串,那我們看下面這個(gè)解析 URL 的存在:
public static void main(String[] args) { try { Document doc = Jsoup.connect("https://www.jd.com/?cu=true&utm_source=baidu-pinzhuan&utm_medium=cpc&utm_campaign=t_288551095_baidupinzhuan&utm_term=0f3d30c8dba7459bb52f2eb5eba8ac7d_0_f38cf584e9fb4328a3e0d2bb515e1458").get(); String title = doc.title(); System.out.println(title); }catch (IOException e){ e.printStackTrace(); } }
大家執(zhí)行以下的話,就一定能夠看到這個(gè) title 到底是什么,而結(jié)果是這個(gè)樣子的:
和我們?cè)诎俣人阉鞯臅r(shí)候是不是不太一樣了,因?yàn)檫@個(gè)是進(jìn)入之后的主頁(yè)。
Element
而在我們看源碼的時(shí)候,我們能清晰的看到,Document 是繼承了 Element 的類,那么必然可以調(diào)用 Element 里面的方法,比如說(shuō):
getElementById(String id); //是不是有點(diǎn)眼熟,像不像Js里面的ID選擇器 getElementsByTag(String tagName);// 通過(guò)標(biāo)簽來(lái)選擇 getAllElements();//獲取所有的Element的元素
關(guān)于方法,阿粉就不再一一的進(jìn)行敘述了,大家有興趣的可以去看看官方文檔,或者去看看這個(gè)源碼,包名送上 package org.jsoup.nodes
有人肯定開(kāi)始煩了,說(shuō)阿粉,你就別介紹了,那你說(shuō)了太多廢話了,趕緊介紹爬京東,好的,這就開(kāi)始,
我們?cè)谂廊≈翱隙ㄏ确治鼍〇|的網(wǎng)址,比如說(shuō)我搜索硬盤:
下面就出來(lái)了一堆數(shù)據(jù),而我們則需要解析的就是在 HTML 種最有用的那一部分,比如:
<div class="p-price"> <strong class="J_54994027563" data-done="1"> <em>¥</em><i>879.00</i> </strong> </div>
在這里我們就記下了這個(gè)價(jià)格,然后我們?nèi)フ椅覀円拿?/p>
看,p-name就是我們需要的名字,那么我們就可以寫代碼了。
//這是京東的搜索網(wǎng)址,我們把這個(gè)keyword關(guān)鍵詞提取出來(lái),注意中英文,中文要處理一下 String url = "https://search.jd.com/Search?keyword=" + keyword; url = url + "&enc=utf-8"; Document document = Jsoup.parse(new URL(url), 40000); //我們先找這個(gè) List,然后一層一層的遍歷 Element element = document.getElementById("J_goodsList"); Elements elements = element.getElementsByTag("li"); for (Element el : elements) { String img = el.getElementsByTag("img").eq(0).attr("source-data-lazy-img"); String price = el.getElementsByClass("p-price").eq(0).text(); String title = el.getElementsByClass("p-name").eq(0).text(); String shop = el.getElementsByClass("p-shop").eq(0).text(); System.out.println("========================="); System.out.println("標(biāo)題:" + title); System.out.println("圖片url:" + img); System.out.println("店鋪:" + shop); System.out.println("價(jià)格:" + price); }
大家看執(zhí)行的效果圖:
“怎么使用Java爬蟲(chóng)來(lái)對(duì)比某東上的數(shù)據(jù)”的內(nèi)容就介紹到這里了,感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注億速云網(wǎng)站,小編將為大家輸出更多高質(zhì)量的實(shí)用文章!
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(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)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。