JAVA爬虫--编写第一个网络爬虫程序

JAVA爬虫–编写第一个网络爬虫程序

前言

    上一章节介绍了XPATH基础语法，本章节将手把手带大家编写第一个爬虫程序，同时也希望能通过这个爬虫程序，帮助大家熟悉上一章节学习的XPATH基础语法并运用到实战中来。

目标

    通过Java程序采集URL地址，并获取地址中的标题，发布时间，正文内容，并把采集的内容保存到本地文件中。

准备工作

1.jdk1.6以及以上

2.eclipse
3.URL地址:http://blog.csdn.net/gongbing798930123/article/details/78955597
4.htmlcleaner.jar

HtmlCleaner包简介

    HtmlCleaner是一个开源的Java语言的Html文档解析器。HtmlCleaner能够重新整理HTML文档的每个元素并生成结构良好(Well-Formed)的 HTML 文档。

    默认它遵循的规则是类似于大部份web浏览器为创文档对象模型所使用的规则。然而，用户可以提供自定义tag和规则组来进行过滤和匹配。它被设计的小，快速，灵活而且独立。HtmlCleaner也可用在Java代码中，当命令行工具或Ant任务。 解析后编程轻量级文档对象，能够很容易的被转换到DOM或者JDom标准文档，或者通过各种方式(压缩，打印)连续输出XML。

    简单来说HtmlCleaner可以把我们下载的Html内容，转换成DOM对象，并且该Jar包提供了XPATH解析的API,帮助我们通过XPATH解析采集到的网页内容。

代码示例:

DataBean.java：

存放标题，正文，发布时间的实体类

package com.demo;
/**
* 
* @author binggong
* @创建时间 2018年1月4日 下午10:18:26
* @微信公众号:DT数据技术博文
* @tag: 存放标题，正文，发布时间的实体类
*/
public class DataBean {

/**
 * 标题
 */
private String title;

/**
 * 发布时间
 */
private String pubtime;

/**
 * 正文内容
 */
private String context;

public DataBean() {
    super();
}

public DataBean(String title, String pubtime, String context) {
    super();
    this.title = title;
    this.pubtime = pubtime;
    this.context = context;
}

public String getTitle() {
    return title;
}

public void setTitle(String title) {
    this.title = title;
}

public String getPubtime() {
    return pubtime;
}

public void setPubtime(String pubtime) {
    this.pubtime = pubtime;
}

public String getContext() {
    return context;
}

public void setContext(String context) {
    this.context = context;
}
}

DownloadHtml.java：

下载网页内容

package com.demo;

import java.io.BufferedReader;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.MalformedURLException;
import java.net.URL;
import java.net.URLConnection;

/**
* 
* @author binggong
* @创建时间 2018年1月5日 下午9:25:31
* @微信公众号:DT数据技术博文
* @tag: 下载网页内容
*/
public class DownloadHtml {

/**
 * 下载指定URL的Html内容
 * @param url url连接
 * @return 返回html页面内容
 * @throws Exception 
 */
public String getHtml(String url) throws Exception{

    URL u = new URL(url);

    URLConnection  conn =u.openConnection();
    InputStream in = conn.getInputStream();

    BufferedReader br = new BufferedReader(new InputStreamReader(in));

    String line = null;
    StringBuffer html = new StringBuffer();
    while((line=br.readLine())!=null){
        html.append(line);
    }

    in.close();
    br.close();
    return html.toString();
}

}

SpiderMain.java：

爬虫解析存储类

package com.demo;

import java.io.PrintWriter;

import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.TagNode;



/**
* 
* @author binggong
* @创建时间 2018年1月4日 下午10:24:01
* @微信公众号:DT数据技术博文
* @tag: 爬虫解析
*/
public class SpiderMain {


/**
 * 爬虫解析方法
 * @param url  待采集的URL
 * @return 返回解析的内容
 * @throws Exception
 */
public DataBean getSpiderData(String url) throws Exception{

    //1.下载html
    String html = new DownloadHtml().getHtml("http://blog.csdn.net/gongbing798930123/article/details/78955597");

    HtmlCleaner hc = new HtmlCleaner();
    //2.把html转换成dom对象
    TagNode tn = hc.clean(html);
    //3.通过xpath解析dom对象
    String title = tn.evaluateXPath("//h1[@class='csdn_top']/text()")[0].toString();
    String context = tn.evaluateXPath("//div[@id='article_content']/text()")[0].toString();
    String pubictime = tn.evaluateXPath("//span[@class='time']/text()")[0].toString();

    //4.把结果放入到实体类中
    DataBean result = new DataBean();
    result.setTitle(title);
    result.setPubtime(pubictime);
    result.setContext(context);

    return result;
}

/**
 * 保存采集到的内容
 * @param url  待采集的网页
 * @param outpath 存储的路径
 * @throws Exception 
 */
public void saveSpiderData(String url,String outpath) throws Exception{
    DataBean data = getSpiderData(url);
    PrintWriter pw = new PrintWriter(outpath);
    pw.println("标题:"+data.getTitle());
    pw.println("发布时间:"+data.getPubtime());
    pw.println("正文:"+data.getContext());
    pw.flush();
    pw.close();
}

public static void main(String[] args) {

     try {
        new SpiderMain().saveSpiderData("http://blog.csdn.net/gongbing798930123/article/details/78955597","c:\\spider_result.txt");
    } catch (Exception e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    }

}
}

总结

    从代码示例可以看出，完成一个爬虫程序还是比较简单的，相信对于有学习过Java基础的你上手起来很容易。

同时从代码示例可以看出，爬虫的基本流程为:

请求URL--->下载HTML内容--->解析内容--->保存结果

    对于生产级的爬虫项目来说需要处理的问题远不止这些，比如在项目中会遇到反爬虫、性能、登录、加密、异步请求问题、请求失败、代码健壮等这些问题都需要解决。

    万变不离其宗，不管生产级的爬虫项目遇到多少难题，爬虫的基础流程是不会变的，
同时后面我会把我在爬虫中所踩的坑都会记录下来，希望能对读者在爬虫道路上少走弯路。

备注:大家记得关注微信公众号：DT数据技术博文，回复:001，下载项目jar包和源码哟！

    ![这里写图片描述](https://img-blog.csdn.net/20180106161404304?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZ29uZ2Jpbmc3OTg5MzAxMjM=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)