转载：基于java的网络爬虫框架(实现京东数据的爬取，并将插入数据库)
转自:http://blog.csdn.net/qy20115549/article/details/52203722
个人总结：
一.使用JAR包
1.jsoup-1.8.3 解析HTML工具
2.httpclient-4.3 连接URL工具
（PS：
1.httpclient有3.0版和4.0版本两个完全不同的JAR包，
3.0的已经完全停用，所以不要用错JAR包。
4.0的JAR包是org.apache.http.client.HttpClient
）
3.log4j-1.2.8 日志工具
4.dbcp-1.4 连接池工具
5.ojdbc14-10.2.0.2.0 oracle数据库连接工具
(PS:
1.此包会报找不包的错误，大概原因是此包是收费之类的解决版办法
http://blog.csdn.net/qq_37307352/article/details/78639409
2.DriverClassName("oracle.jdbc.driver.OracleDriver")
)
二.思路
1.写main类按实现思路一步步添加需要的类。首先我们要连接URL所以写了URLFecter类的URLParser方法
2.在URLParser方法里我们获得服务器返回的HttpResponse后要判断其StatusLine
（服务器返回的状态信息，包括你有没有连接成功。）的StatusCode是不是等于200，
如果等于代表你连接URL成功。
3.然后我们需要解析HttpResponse找出我们需要的信息，所以我们写了JdParse类getData方法
4.在JdParse类里面我们使用jsoup解析，然后解析出的数据我们需要一个实体类来保存信息。
因此我们写了JdModel实体类。
5.将每个JdModel对象存到LIST里返回。基本就大功告成了，剩下就存到数据库吧。
PS：还有一点，该JD页面如果数一数大概有40~50本书，但我们只爬了30本。为什么呢，
因为你浏览JD页面的时候，它一开始是生成了30本书，然后你往下拉才会新加载。
这个怎么破呢，我不知道，让我学下去才知道哈哈。网络爬虫框架
写网络爬虫，一个要有一个逻辑顺序。本文主要讲解我自己经常使用的一个顺序，并且本人经常使用这个框架来写一些简单的爬虫，复杂的爬虫，也是在这个基础上添加其他程序。
首先，我的工程都是使用maven建的，不会使用maven的，请看之前写的网络爬虫基础。使用Spring MVC框架编写过网站的同学，可以看出框架的重要性与逻辑性。在我的网络爬虫框架中，包含的package有db、main、model、parse、util五个文件。
db:主要放的是数据库操作文件，包含MyDataSource【数据库驱动注册、连接数据库的用户名、密码】，MYSQLControl【连接数据库，插入操作、更新操作、建表操作等】。
model：用来封装对象，比如我要获取京东书籍的ID、书名、价格，则需要在model写入对应的属性。说的直白一些，封装的就是我要操作数据对应的属性名。有不明白的看之前写的一个简单的网络爬虫。
util：主要放的是httpclient的内容，主要作用时将main方法，传过来的url，通过httpclient相关方法，获取需要解析的html文件或者json文件等。
parse：这里面存放的是针对util获取的文件，进行解析，一般采用Jsoup解析；若是针对json数据，可采用正则表达式或者fastjson工具进行解析，建议使用fastjson，因其操作简单，快捷。
main：程序起点，也是重点，获取数据，执行数据库语句，存放数据。
网络爬虫的逻辑顺序
针对我的网络爬虫框架，网络爬虫的逻辑顺序，可以描述为：首先，main方法，将url传给util获取响应的html文件，然后util将其获得的html文件，传给parse进行解析，获取最终数据，封装在集合中。解析完毕后，数据返回到main，接着main操作db将数据导入到mysql中。
网络爬虫实例教学
通过上面的框架，我们可以看出写一个网络爬虫，其实很简单（当然有很复杂的网络爬虫哦）。下面，我将带大家写一个基于java爬虫京东图书信息的网络爬虫，只是做讲解使用，供大家学习和参考。
首先，起点是什么？你可能觉得是main方法，其实不然，起点是你要知道你要获取网站中的哪些数据，然后针对要抓取的数据去写model。如下图，我要获取京东上的图书的价格，和图书名，还有图书的id（id是唯一标识，可作为数据表的主键）
model
用来封装对象，我要抓取一本书的数据包括，书籍的id，书名及价格。ecliplse中生成set、get方法的快捷键是shift+alt+s然后选择生成setter、getter
package model;
/*
* 合肥工业大学 管理学院 qianyang [email protected]
*/
public class JdModel {
private String bookID;
private String bookName;
private String bookPrice;
public String getBookID() {
return bookID;
}
public void setBookID(String bookID) {
this.bookID = bookID;
}
public String getBookName() {
return bookName;
}
public void setBookName(String bookName) {
this.bookName = bookName;
}
public String getBookPrice() {
return bookPrice;
}
public void setBookPrice(String bookPrice) {
this.bookPrice = bookPrice;
}
}main
主方法，尽量要求简单，这里我就这样写了。这里面有注释，很好理解。
package main;
import java.util.List;
import org.apache.commons.logging.Log;
import org.apache.commons.logging.LogFactory;
import org.apache.http.client.HttpClient;
import org.apache.http.impl.client.DefaultHttpClient;
import db.MYSQLControl;
import model.JdModel;
import util.URLFecter;
/*
* 合肥工业大学 管理学院 qianyang [email protected]
*/
public class JdongMain {
//log4j的是使用，不会的请看之前写的文章
static final Log logger = LogFactory.getLog(JdongMain.class);
public static void main(String[] args) throws Exception {
//初始化一个httpclient
HttpClient client = new DefaultHttpClient();
//我们要爬取的一个地址，这里可以从数据库中抽取数据，然后利用循环，可以爬取一个URL队列
String url="http://search.jd.com/Search?keyword=Python&enc=utf-8&book=y&wq=Python&pvid=33xo9lni.p4a1qb";
//抓取的数据
List bookdatas=URLFecter.URLParser(client, url);
//循环输出抓取的数据
for (JdModel jd:bookdatas) {
logger.info("bookID:"+jd.getBookID()+"\t"+"bookPrice:"+jd.getBookPrice()+"\t"+"bookName:"+jd.getBookName());
}
//将抓取的数据插入数据库
MYSQLControl.executeInsert(bookdatas);
}
} util
util中包含两个文件，URLFecter 与HTTPUtils，其中URLFecter 调用了HTTPUtils类。
package util;
import java.util.ArrayList;
import java.util.List;
import org.apache.http.HttpResponse;
import org.apache.http.client.HttpClient;
import org.apache.http.util.EntityUtils;
import model.JdModel;
import parse.JdParse;
/*
* 合肥工业大学 管理学院 qianyang [email protected]
*/
public class URLFecter {
public static List URLParser (HttpClient client, String url) throws Exception {
//用来接收解析的数据
List JingdongData = new ArrayList();
//获取网站响应的html，这里调用了HTTPUtils类
HttpResponse response = HTTPUtils.getRawHtml(client, url);
//获取响应状态码
int StatusCode = response.getStatusLine().getStatusCode();
//如果状态响应码为200，则获取html实体内容或者json文件
if(StatusCode == 200){
String entity = EntityUtils.toString (response.getEntity(),"utf-8");
JingdongData = JdParse.getData(entity);
EntityUtils.consume(response.getEntity());
}else {
//否则，消耗掉实体
EntityUtils.consume(response.getEntity());
}
return JingdongData;
}
}
上面程序调用的HTTPUtils这个类，以下是HTTPUtils这个类。
package util;
import java.io.IOException;
import org.apache.http.HttpResponse;
import org.apache.http.HttpStatus;
import org.apache.http.HttpVersion;
import org.apache.http.client.HttpClient;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.message.BasicHttpResponse;
/*
* 合肥工业大学 管理学院 qianyang [email protected]
*/
public abstract class HTTPUtils {
public static HttpResponse getRawHtml(HttpClient client, String personalUrl) {
//获取响应文件，即html，采用get方法获取响应数据
HttpGet getMethod = new HttpGet(personalUrl);
HttpResponse response = new BasicHttpResponse(HttpVersion.HTTP_1_1,
HttpStatus.SC_OK, "OK");
try {
//执行get方法
response = client.execute(getMethod);
} catch (IOException e) {
e.printStackTrace();
} finally {
// getMethod.abort();
}
return response;
}
}
parse
parse主要是通过Jsoup来解析html文件。并将解析后的数据，封装在List集合中，将数据通过层层返回到main方法中。
package parse;
import java.util.ArrayList;
import java.util.List;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import model.JdModel;
/*
* author qianyang [email protected]
* 用于将上面传下来的html解析，获取我们需要的内容
* 解析方式，采用Jsoup解析，有不明白Jsoup的可以上网搜索API文档
* Jsoup是一款很简单的html解析器
*/
public class JdParse {
public static List<JdModel> getData (String html) throws Exception{
//获取的数据，存放在集合中
List<JdModel> data = new ArrayList<JdModel>();
//采用Jsoup解析
Document doc = Jsoup.parse(html);
//获取html标签中的内容
Elements elements=doc.select("ul[class=gl-warp clearfix]").select("li[class=gl-item]");
for (Element ele:elements) {
String bookID=ele.attr("data-sku");
String bookPrice=ele.select("div[class=p-price]").select("strong").select("i").text();
String bookName=ele.select("div[class=p-name]").select("em").text();
//创建一个对象，这里可以看出，使用Model的优势，直接进行封装
JdModel jdModel=new JdModel();
//对象的值
jdModel.setBookID(bookID);
jdModel.setBookName(bookName);
jdModel.setBookPrice(bookPrice);
//将每一个对象的值，保存到List集合中
data.add(jdModel);
}
//返回数据
return data;
}
}db
db中包含两个java文件，MyDataSource，MYSQLControl。这两个文件的作用已在前面说明了。
package db;
import javax.sql.DataSource;
import org.apache.commons.dbcp2.BasicDataSource;
/*
* 合肥工业大学 管理学院 qianyang [email protected]
*/
public class MyDataSource {
public static DataSource getDataSource(String connectURI){
BasicDataSource ds = new BasicDataSource();
//MySQL的jdbc驱动
ds.setDriverClassName("com.mysql.jdbc.Driver");
ds.setUsername("root"); //所要连接的数据库名
ds.setPassword("112233"); //MySQL的登陆密码
ds.setUrl(connectURI);
return ds;
}
}下面是MYSQLControl，主要使用QueryRunner方法操作数据库，使用时是batch方法。
package db;
import java.sql.SQLException;
import java.util.List;
import javax.sql.DataSource;
import org.apache.commons.dbutils.QueryRunner;
import model.JdModel;
/*
* author qianyang [email protected]
* Mysql操作的QueryRunner方法
* 一个数据库操作类，别的程序直接调用即可
*/
public class MYSQLControl {
//根据自己的数据库地址修改
static DataSource ds = MyDataSource.getDataSource("jdbc:mysql://127.0.0.1:3306/moviedata");
static QueryRunner qr = new QueryRunner(ds);
//第一类方法
public static void executeUpdate(String sql){
try {
qr.update(sql);
} catch (SQLException e) {
e.printStackTrace();
}
}
//第二类数据库操作方法
public static void executeInsert(List jingdongdata) throws SQLException {
/*
* 定义一个Object数组，行列
* 3表示列数，根据自己的数据定义这里面的数字
* params[i][0]等是对数组赋值，这里用到集合的get方法
*
*/
Object[][] params = new Object[jingdongdata.size()][3];
for ( int i=0; i0] = jingdongdata.get(i).getBookID();
params[i][1] = jingdongdata.get(i).getBookName();
params[i][2] = jingdongdata.get(i).getBookPrice();
}
qr.batch("insert into jingdongbook (bookID, bookName, bookPrice)"
+ "values (?,?,?)", params);
System.out.println("执行数据库完毕！"+"成功插入数据："+jingdongdata.size()+"条");
}
}
再看main方法
在main方法中有这样一句程序，这便是调用了操作数据库MYSQLControl程序，将抓取的数据插入到数据库中了
MYSQLControl.executeInsert(bookdatas);
- 1
爬虫效果展示
到此，便完成了这个简单网络爬虫的编程工作，下面来看看程序运行的结果吧。
数据库中的结果如下：
有什么不明白的，请发邮件至[email protected] 合肥工业大学管理学院 qianyang