JAVA网络爬虫基础
网络爬虫概述：
- 在大数据时代，信息的采集是一项重要的工作，而互联网中的数据是海量的，如果单纯靠人力进行信息采集，不仅低效繁琐，搜集的成本也会提高。如何自动高效地获取互联网中我们感兴趣的信息并为我们所用是一个重要的问题，而爬虫技术就是为了解决这些问题而生的。
- 网络爬虫（Web crawler）也叫做网络机器人，可以代替人们自动地在互联网中进行数据信息的采集与整理。它是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，可以自动采集所有其能够访问到的页面内容，以获取相关数据。
- 从功能上来讲，爬虫一般分为数据采集，处理，储存三个部分。爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。
1 入门案例
1.1 环境配置
pom配置
<dependencies>
<dependency>
<groupId>org.apache.httpcomponentsgroupId>
<artifactId>httpclientartifactId>
<version>4.5.3version>
dependency>
<dependency>
<groupId>org.jsoupgroupId>
<artifactId>jsoupartifactId>
<version>1.10.3version>
dependency>
<dependency>
<groupId>junitgroupId>
<artifactId>junitartifactId>
<version>4.12version>
dependency>
<dependency>
<groupId>org.apache.commonsgroupId>
<artifactId>commons-lang3artifactId>
<version>3.7version>
dependency>
<dependency>
<groupId>commons-iogroupId>
<artifactId>commons-ioartifactId>
<version>2.6version>
dependency>
<dependency>
<groupId>org.slf4jgroupId>
<artifactId>slf4j-log4j12artifactId>
<version>1.7.25version>
dependency>
dependencies>
log4j.properties配置
log4j.rootLogger=DEBUG,A1
log4j.logger.cn.itcast = DEBUG
log4j.appender.A1=org.apache.log4j.ConsoleAppender
log4j.appender.A1.layout=org.apache.log4j.PatternLayout
log4j.appender.A1.layout.ConversionPattern=%-d{yyyy-MM-dd HH:mm:ss,SSS} [%t] [%c]-[%p] %m%n
1.2 代码编写
@Test
public void SCrawler()throws Exception{
CloseableHttpClient httpClient = HttpClients.createDefault();
HttpGet httpGet = new HttpGet("http://www.itcast.cn/");
CloseableHttpResponse response = httpClient.execute(httpGet);
if (response.getStatusLine().getStatusCode() == 200){
String html = EntityUtils.toString(response.getEntity(),"UTF-8");
System.out.println(html);
}
httpClient.close();
httpGet.clone();
}
结果为该网页的网页源代码
2 HttpClient
概述：网络爬虫就是用程序帮助我们访问网络上的资源，我们一直以来都是使用HTTP协议访问互联网的网页，网络爬虫需要编写程序，在这里使用同样的HTTP协议访问网页。这里我们使用Java的HTTP协议客户端 HttpClient这个技术，来实现抓取网页数据。
2.1 Get请求
@Test
public void HttpGet(){
//创建httpClient对象
CloseableHttpClient httpClient = HttpClients.createDefault();
//创建HttpGet对象，设置url访问地址
HttpGet httpGet = new HttpGet("http://www.itcast.cn/");
//使用httpClient对象发起请求，获取response
CloseableHttpResponse response = null;
try {
response = httpClient.execute(httpGet);
//解析响应
if (response.getStatusLine().getStatusCode() == 200){
String html = EntityUtils.toString(response.getEntity(),"UTF-8");
System.out.println(html);
}
} catch (IOException e) {
e.printStackTrace();
}finally {//释放资源
//判断response是否为null，为null则代表未获取response，不为null则要释放资源
if (response!=null){
try {
response.close();
//重点：释放掉资源后，将它重新赋值为null，因为GC回收资源优先回收null值的
response = null;
} catch (IOException e) {
e.printStackTrace();
}
}
try {
httpClient.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
2.2 带参数的Get请求
爬取的网址：http://yun.itheima.com/search?keys=Java
//带参数的Get请求
@Test
public void HttpParamGet() throws Exception {
//创建httpClient对象
CloseableHttpClient httpClient = HttpClients.createDefault();
//设置请求的地址：http://yun.itheima.com/search?keys=Java
//1.创建URIBuilder 内容为未设置参数的地址
URIBuilder uriBuilder = new URIBuilder("http://yun.itheima.com/search");
//2.设置参数
uriBuilder.setParameter("keys","Java");
//如果为多个参数，则使用多次setParameter
//eg：uriBuilder.setParameter("","").setParameter("","")...;
//创建HttpGet对象，设置url访问地址
HttpGet httpGet = new HttpGet(uriBuilder.build());
//使用httpClient对象发起请求，获取response
CloseableHttpResponse response = null;
try {
response = httpClient.execute(httpGet);
//解析响应
if (response.getStatusLine().getStatusCode() == 200){
String html = EntityUtils.toString(response.getEntity(),"UTF-8");
System.out.println(html);
}
} catch (IOException e) {
e.printStackTrace();
}finally {//释放资源
//判断response是否为null，为null则代表未获取response，不为null则要释放资源
if (response!=null){
try {
response.close();
//重点：释放掉资源后，将它重新赋值为null，因为GC回收资源优先回收null值的
response = null;
} catch (IOException e) {
e.printStackTrace();
}
}
try {
httpClient.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
2.3 Post请求
@Test
public void HttpPost(){
//创建httpClient对象
CloseableHttpClient httpClient = HttpClients.createDefault();
//创建HttpPost对象，设置url访问地址
HttpPost httpPost = new HttpPost("http://www.itcast.cn/");
//使用httpClient对象发起请求，获取response
CloseableHttpResponse response = null;
try {
response = httpClient.execute(httpPost);
//解析响应
if (response.getStatusLine().getStatusCode() == 200){
String html = EntityUtils.toString(response.getEntity(),"UTF-8");
System.out.println(html);
}
} catch (IOException e) {
e.printStackTrace();
}finally {//释放资源
//判断response是否为null，为null则代表未获取response，不为null则要释放资源
if (response!=null){
try {
response.close();
//重点：释放掉资源后，将它重新赋值为null，因为GC回收资源优先回收null值的
response = null;
} catch (IOException e) {
e.printStackTrace();
}
}
try {
httpClient.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
2.4 带参数的Post请求
//带参数的Post请求
@Test
public void HttpParamPost() throws Exception {
//创建httpClient对象
CloseableHttpClient httpClient = HttpClients.createDefault();
//创建HttpPost对象，设置url访问地址
HttpPost httpPost = new HttpPost("http://www.itcast.cn/search");
//声明list请求，封装表单中的请求参数
List<NameValuePair> params = new ArrayList<NameValuePair>();
params.add(new BasicNameValuePair("keys","Java"));
//创建表单的Entity对象,第一个参数时封装好的表单数据，第二个参数是编码
UrlEncodedFormEntity formEntity = new UrlEncodedFormEntity(params, "utf8");
//设置表单的Entity对象到Post请求中
httpPost.setEntity(formEntity);
//使用httpClient对象发起请求，获取response
CloseableHttpResponse response = null;
try {
response = httpClient.execute(httpPost);
//解析响应
if (response.getStatusLine().getStatusCode() == 200){
String html = EntityUtils.toString(response.getEntity(),"UTF-8");
System.out.println(html);
}
} catch (IOException e) {
e.printStackTrace();
}finally {//释放资源
//判断response是否为null，为null则代表未获取response，不为null则要释放资源
if (response!=null){
try {
response.close();
//重点：释放掉资源后，将它重新赋值为null，因为GC回收资源优先回收null值的
response = null;
} catch (IOException e) {
e.printStackTrace();
}
}
try {
httpClient.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
2.5 Get和Post的区别
- GET在浏览器回退时是无害的，而POST会再次提交请求。
- GET产生的URL地址可以被Bookmark，而POST不可以。
- GET请求会被浏览器主动cache，而POST不会，除非手动设置。
- GET请求只能进行url编码，而POST支持多种编码方式。
- GET请求参数会被完整保留在浏览器历史记录里，而POST中的参数不会被保留。
- GET请求在URL中传送的参数是有长度限制的，而POST没有。
- 对参数的数据类型，GET只接受ASCII字符，而POST没有限制。
- GET比POST更不安全，因为参数直接暴露在URL上，所以不能用来传递敏感信息。
- GET参数通过URL传递，POST放在Request body中。
2.6 连接池
概述：如果每次请求都要创建HttpClient，会有频繁创建和销毁的问题，可以使用连接池来解决这个问题。
public class httpClientPool {
public static void main(String[] args) throws Exception {
//创建连接池管理器
PoolingHttpClientConnectionManager cm = new PoolingHttpClientConnectionManager();
//设置最大连接数
cm.setMaxTotal(100);
//设置每个主机的最大连接数
cm.setDefaultMaxPerRoute(10);
//使用连接池管理器发起请求
doGet(cm);
doGet(cm);
doGet(cm);
}
private static void doGet(PoolingHttpClientConnectionManager cm) throws Exception {
//不用每次创建Httpclient，而是从连接池中获取Httpclient对象
CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(cm).build();
HttpGet httpGet = new HttpGet("http://www.itcast.cn/");
CloseableHttpResponse response = httpClient.execute(httpGet);
if (response.getStatusLine().getStatusCode()==200){
String html = EntityUtils.toString(response.getEntity());
System.out.println(html);
}
response.close();
//重点：不能够关闭httpclient，由连接池管理httpclient
// httpClient.close();
}
}
2.7 请求时间参数
概述：有时候因为网络，或者目标服务器的原因，请求需要更长的时间才能完成，我们需要自定义相关时间。
public class HttpClientConfig {
public static void main(String[] args) {
//创建httpClient对象
CloseableHttpClient httpClient = HttpClients.createDefault();
//创建HttpGet对象，设置url访问地址
HttpGet httpGet = new HttpGet("http://www.itcast.cn/");
//配置请求信息
RequestConfig config = RequestConfig.custom().setConnectTimeout(1000)//创建连接的最长时间，单位毫秒
.setConnectionRequestTimeout(500)//设置获取连接的最长时间，单位毫秒
.setSocketTimeout(10*1000) //设置数据传输的最长时间，单位毫秒
.build();
//给请求设置请求信息
httpGet.setConfig(config);
//使用httpClient对象发起请求，获取response
CloseableHttpResponse response = null;
try {
response = httpClient.execute(httpGet);
//解析响应
if (response.getStatusLine().getStatusCode() == 200){
String html = EntityUtils.toString(response.getEntity(),"UTF-8");
System.out.println(html);
}
} catch (IOException e) {
e.printStackTrace();
}finally {//释放资源
//判断response是否为null，为null则代表未获取response，不为null则要释放资源
if (response!=null){
try {
response.close();
//重点：释放掉资源后，将它重新赋值为null，因为GC回收资源优先回收null值的
response = null;
} catch (IOException e) {
e.printStackTrace();
}
}
try {
httpClient.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
3 Jsoup
概述：jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。
主要功能：
- 从一个URL，文件或字符串中解析HTML；
- 使用DOM或CSS选择器来查找、取出数据；
- 可操作HTML元素、属性、文本；
3.1 解析Url
@Test
public void testUrl()throws Exception{
//解析URL地址 第一个参数是访问的URL，第二个是访问的时候超时时间
Document document = Jsoup.parse(new URL("http://www.itcast.cn/"), 1000);
//使用标签选择器，获取Title标签中的内容
String title = document.getElementsByTag("title").first().text();
System.out.println(title);
}
注意：虽然使用Jsoup可以替代HttpClient直接发起请求解析数据，但是往往不会这样用，因为实际的开发过程中，需要使用到多线程，连接池，代理等等方式，而jsoup对这些的支持并不是很好，所以我们一般把jsoup仅仅作为Html解析工具使用
3.2 解析字符串
//解析字符串
@Test
public void testString()throws Exception{
//使用工具类读取文件，获取字符串
String file = FileUtils.readFileToString(new File("E:\\code\\java\\java_crawler\\src\\main\\java\\jsoup\\jsoup.html"), "utf8");
//解析字符串
Document doc = Jsoup.parse(file);
String title = doc.getElementsByTag("title").first().text();
System.out.println(title);
}
3.3 解析文件
//文件解析
@Test
public void testFile()throws Exception{
Document doc = Jsoup.parse(new File("E:\\code\\java\\java_crawler\\src\\main\\java\\jsoup\\jsoup.html"), "utf8");
String title = doc.getElementsByTag("title").first().text();
System.out.println(title);
}
3.4 使用dom方式遍历文档
元素获取方式：
- 根据id查询元素getElementById
- 根据标签获取元素getElementsByTag
- 根据class获取元素getElementsByClass
- 根据属性获取元素getElementsByAttribute
//dom获取元素
@Test
public void testDOM()throws Exception{
//解析文件
Document doc = Jsoup.parse(new File("E:\\code\\java\\java_crawler\\src\\main\\java\\jsoup\\jsoup.html"), "utf8");
//获取元素
//1. 根据id查询元素getElementById
Element city_bj = doc.getElementById("city_bj");
//2. 根据标签获取元素getElementsByTag
Element element = doc.getElementsByTag("span").first();
//3. 根据class获取元素getElementsByClass
Element element1 = doc.getElementsByClass("class_a class_b").first();
//如果一个class里含有多个class，那么使用其中一个也可以访问其值
//Element element2 = doc.getElementsByClass("class_a").first();
//Element element3 = doc.getElementsByClass("class_b").first();
//4. 根据属性获取元素getElementsByAttribute
Element element4 = doc.getElementsByAttribute("abc").first();
// 也可以通过属性名+值来获取元素
Element element5 = doc.getElementsByAttributeValue("href", "http://sh.itcast.cn").first();
//结果打印
System.out.println(city_bj.text());
System.out.println(element.text());
System.out.println(element1.text());
System.out.println(element4.text());
System.out.println(element5.text());
}
元素中获取数据：
- 从元素中获取id
- 从元素中获取className
- 从元素中获取属性的值attr
- 从元素中获取所有属性attributes
- 从元素中获取文本内容text
@Test
public void testData()throws Exception{
//解析文件，获取document
Document doc = Jsoup.parse(new File("E:\\code\\java\\java_crawler\\src\\main\\java\\jsoup\\jsoup.html"), "utf8");
//获取元素
Element element = doc.getElementById("test");
String str = "";
//元素中获取数据
//1. 从元素中获取id
str = element.id();
//2. 从元素中获取className
str = element.className();
//按照空格切分，将多个class存放在集合里
Set<String> strList = element.classNames();
//3. 从元素中获取属性的值attr
str = element.attr("id");
str = element.attr("class");
//4. 从元素中获取所有属性attributes
Attributes attributes = element.attributes();
System.out.println(attributes.toString());
//5. 从元素中获取文本内容text
str = element.text();
System.out.println(str);
//System.out.println(strList);
}
3.5 selector选择器查找元素
tagname: 通过标签查找元素，比如：span
#id: 通过ID查找元素，比如：# city_bj
.class: 通过class名称查找元素，比如：.class_a
[attribute]: 利用属性查找元素，比如：[abc]
[attr=value]: 利用属性值来查找元素，比如：[class=s_name]
//selector选择器
@Test
public void testSelector()throws Exception{
//解析文件，获取document
Document doc = Jsoup.parse(new File("E:\\code\\java\\java_crawler\\src\\main\\java\\jsoup\\jsoup.html"), "utf8");
//tagname: 通过标签查找元素，比如：span
Elements elements = doc.select("span");
for (Element element:elements){
System.out.println(element.text());
}
//#id: 通过ID查找元素，比如：# city_bj
Element e = doc.select("#city_bj").first();
System.out.println(e.text());
//.class: 通过class名称查找元素，比如：.class_a
Element clazz = doc.select(".class_a").first();
System.out.println(clazz.text());
//[attribute]: 利用属性查找元素，比如：[abc]
Element attr = doc.select("[abc]").first();
System.out.println(attr.text());
//[attr=value]: 利用属性值来查找元素，比如：[class=s_name]
Elements attrs = doc.select("[class=s_name]");
for (Element element : attrs) {
System.out.println(element.text());
}
}
3.6 selector选择器组合使用
el#id: 元素+ID，比如： h3#city_bj
el.class: 元素+class，比如： li.class_a
el[attr]: 元素+属性名，比如： span[abc]
任意组合: 比如：span[abc].s_name
ancestor child: 查找某个元素下子元素，比如：.city_con li 查找"city_con"下的所有li
parent > child: 查找某个父元素下的直接子元素，比如：
.city_con > ul > li 查找city_con第一级（直接子元素）的ul，再找所有ul下的第一级li
parent > *: 查找某个父元素下所有直接子元素
//选择器的组合使用
@Test
public void testSelectors()throws Exception{
//解析文件，获取document
Document document = Jsoup.parse(new File("E:\\code\\java\\java_crawler\\src\\main\\java\\jsoup\\jsoup.html"), "utf8");
//el#id: 元素+ID，比如： h3#city_bj
String str = document.select("h3#city_bj").text();
//el.class: 元素+class，比如： li.class_a
str = document.select("li.class_a").text();
//el[attr]: 元素+属性名，比如： span[abc]
str = document.select("span[abc]").text();
//任意组合，比如：span[abc].s_name
str = document.select("span[abc].s_name").text();
//ancestor child: 查找某个元素下子元素，比如：.city_con li 查找"city_con"下的所有li
str = document.select(".city_con li").text();
//parent > child: 查找某个父元素下的直接子元素，
//比如：.city_con > ul > li 查找city_con第一级（直接子元素）的ul，再找所有ul下的第一级li
str = document.select(".city_con > ul > li").text();
//parent > * 查找某个父元素下所有直接子元素.city_con > *
str = document.select(".city_con > *").text();
System.out.println(str);
}