Java爬虫爬取python百度百科词条及相关词条页面

Java爬虫爬取python百度百科词条及相关词条页面

本实例爬取关于python词条页面及关联词条页面的简介，把词条的简介写入txt文本中， 本实例效果：

实例基于使用第三方jar包Jsoup

1首先分析python词条页面：

可以发现其他词条的超链接都带有"/item"以及词条的简介都包含在class为lemma-summary的div里面。 超链接里面"/item"后面的字符串就是代表了那个词条的地址，所以处理的时候是这样："https://baike.baidu.com"加上提取出来的字符串。 所以要想取得超链接以及简介的内容，可以有这两个处理方法：

处理超链接：

public  void parse_a(Document document,List urls) throws IOException {
		/*提取出href属性里面/item以及后面的字符*/
		Elements links = document.select("[href*=/item]");
		/*迭代输出，并且加入到url集合里面*/
		for (Element link : links) {
			String url  = "https://baike.baidu.com"+link.attr("href"); 
			/*过滤掉重复的url地址*/
			if (!urls.contains(url)) {
				urls.add(url);
			}
		}
	}

提取简介里面的内容：

public void parse_content(Document document,List contents ) {
		/*使用Jsoup里面的选择器，详细用法可以查看jsoup的官方文档*/
		Elements links = document.select("div.lemma-summary");
		for(Element link:links){
			contents.add(link.text());
		}
		
	}

关于jsoup可以查看官方文档，简单易上手。

2通过url获取页面用于解析：

利用jsoup的Jsoup.connect(url).get()。

代码：

public static Document getDom(String url) throws IOException {
		Document document = Jsoup.connect(url).get();
		return document;
	}

3URL管理器，本实例需要从当前页面获取超链接并且不断获取新的词条页面的URL

/*设置迭代顺序，从第一个开始迭代*/
	int i=0;
	public  void getNewURL(List urls) throws IOException {
		/*从url集合里面获取一个并且进行解析*/
		Document document = ConnectNet.getDom(urls.get(i));
		i+=1;
		Elements links = document.select("[href*=/item]");
		/*通过迭代循环，不断往url集合里面添加新的URL*/
		for (Element link : links) {
			String url  = "https://baike.baidu.com"+link.attr("href"); 
			if(!urls.contains(url)) {
				urls.add(url);
		}
	}
	
	}

4储存数据，把获得的简介数据添加进txt文本中

public void store_contents(List contents) throws IOException {
		File file = new File("my6.txt");
		FileWriter fileWriter = new FileWriter(file);
		for(int i=0;i/*换行和分隔*/
			fileWriter.write("\r\n");
			fileWriter.write("-----------");
			fileWriter.write("\r\n");
			fileWriter.flush();
		}
		
	}

下面贴出完整代码:

URL管理器:

package myspyder;

import java.io.IOException;
import java.util.List;

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

public class URLManager {
	/*设置迭代顺序，从第一个开始迭代*/
	int i=0;
	public  void getNewURL(List urls) throws IOException {
		/*从url集合里面获取一个并且进行解析*/
		Document document = ConnectNet.getDom(urls.get(i));
		i+=1;
		Elements links = document.select("[href*=/item]");
		/*通过迭代循环，不断往url集合里面添加新的URL*/
		for (Element link : links) {
			String url  = "https://baike.baidu.com"+link.attr("href"); 
			if(!urls.contains(url)) {
				urls.add(url);
		}
	}
	
	}
}

存储类：

package myspyder;

import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.util.List;

public class Store {
	
	
	public void store_contents(List contents) throws IOException {
		File file = new File("my6.txt");
		FileWriter fileWriter = new FileWriter(file);
		for(int i=0;i/*换行和分隔*/
			fileWriter.write("\r\n");
			fileWriter.write("-----------");
			fileWriter.write("\r\n");
			fileWriter.flush();
		}
		
	}
}

获取DOM对象类：

package myspyder;

import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

public class ConnectNet {
	
	public static Document getDom(String url) throws IOException {
		Document document = Jsoup.connect(url).get();
		return document;
	}
	

}

网页解析类：

package myspyder;

import java.io.IOException;
import java.net.CookieHandler;
import java.util.List;
import java.util.Set;

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

public class ParseHtml {
	int num=1;
	public  void parse_a(Document document,List urls) throws IOException {
		/*提取出href属性里面/item以及后面的字符*/
		Elements links = document.select("[href*=/item]");
		/*迭代输出，并且加入到url集合里面*/
		for (Element link : links) {
			String url  = "https://baike.baidu.com"+link.attr("href"); 
			/*过滤掉重复的url地址*/
			if (!urls.contains(url)) {
				urls.add(url);
			}
		}
	}
	
	public void parse_content(Document document,List contents ) {
		/*使用Jsoup里面的选择器，详细用法可以查看jsoup的官方文档*/
		Elements links = document.select("div.lemma-summary");
		for(Element link:links){
			contents.add(link.text());
		}
		
	}

}

启动类：

package myspyder;

import java.io.IOException;
import java.net.URLStreamHandler;
import java.util.ArrayList;
import java.util.HashSet;
import java.util.Iterator;
import java.util.List;
import java.util.Set;

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

public class StartSpyder {

	public static void main(String[] args) throws IOException {
		/*根url，python词条页面*/
		String rooturl = "http://baike.baidu.com/link?url=y9cRcLYxzn5I12dTAXUqJJuY50B0TVvsdkeqmHetkVfkRlXGxUa0tFL53dQwpSQaF7js4yRmTwLjqXyJN-hWWK";
		Document rootdocument = Jsoup.connect(rooturl).get();
		int index=1;
		ParseHtml parseHtml = new ParseHtml();
		ConnectNet connectNet = new ConnectNet();
		Store store = new Store();
		/*放置要迭代的url*/
		List urls = new ArrayList<>();
		/*放置简介字符串*/
		List contents = new ArrayList<>();
		
		parseHtml.parse_a(rootdocument, urls);
		URLManager urlManager = new URLManager();
		/*纯粹用来计数*/
		int flag=1;
		/*
		 * 首先判断url集合里面是否还有可以爬取的url，然后从中按照顺序获取一个URL
		 * 然后URL管理器继续进行添加新的url，从提取出的URL获取dom对象，进行解析，存入txt文本，
		 * 循环进行，直到没有新的url可以爬取。
		 */
		while(urls!=null) {
			String url = urls.get(index-1);
			index+=1;
			urlManager.getNewURL(urls);
			Document document = connectNet.getDom(url);
			parseHtml.parse_content(document, contents);
			store.store_contents(contents);
			System.out.println("StartSpyder.main()");
			System.out.println(flag);
			flag+=1;
		}

	}

}