java网络爬虫爬取安居客租房信息(文章结尾附有完整代码)

步骤 1: 首先编写爬虫代码获取每一页的 url

安居客租房页面,每一页大约有 60 多条租房信息,每条租房信息如图所示:

java网络爬虫爬取安居客租房信息(文章结尾附有完整代码)_第1张图片

 打开该页面的 html 代码

 分析可得改图片中的红框中的链接即为每条详情租房信息的链接,首 先将每条详情租房信息链接爬下来。 所得结果如下

java网络爬虫爬取安居客租房信息(文章结尾附有完整代码)_第2张图片

爬虫代码为:


URL url = new URL(DOU_BAN_URL.replace("{pageStart}",pageStrat+""));
HttpURLConnection connection = 
(HttpURLConnection)url.openConnection();
 //设置请求方式
 connection.setRequestMethod("GET");
 // 10秒超时
 connection.setConnectTimeout(10000);
 connection.setReadTimeout(10000);
 //连接
 connection.connect();
 //得到响应码
 int responseCode = connection.getResponseCode();
 if(responseCode == HttpURLConnection.HTTP_OK){
 //得到响应流
 InputStream inputStream = connection.getInputStream();
 //获取响应
 BufferedReader reader = new BufferedReader(new
InputStreamReader(inputStream,"UTF-8"));
 String returnStr = "";
 String line;
 while ((line = reader.readLine()) != null){
 returnStr+=line + "\r\n";
 }
 reader.close();
 inputStream.close();
 connection.disconnect();
 Pattern p = Pattern.compile("");
 Matcher m = p.matcher(returnStr); 
 while(m.find()) {
 System.out.println("帖子详情链接:" + m.group(2));}

 步骤 2: 循环进入租房信息详情页(上一步中得到的帖子详情 链接),爬取租房的详细信息,如房价,房屋面积,房屋地址等。

进入详情页,看到详情页面有一部分显示如下

java网络爬虫爬取安居客租房信息(文章结尾附有完整代码)_第3张图片

于是开始分析页面 html 源代码中的相应部分

java网络爬虫爬取安居客租房信息(文章结尾附有完整代码)_第4张图片

根据该 html 代码编写正则表达式如下:

Pattern p2 = Pattern.compile("房屋编码:([^\\\"]*),
发布时间:([^\\\"]*)\r\n");
Matcher m2 = p2.matcher(tempReturnStr); 
Pattern p3 = Pattern.compile("面积:\r\n"
 + " ([^\"]*)");
Matcher m3 = p3.matcher(tempReturnStr); 
Pattern p4 = Pattern.compile("朝向:\r\n"
 + " ([^\"]*)");
Matcher m4 = p4.matcher(tempReturnStr); 
Pattern p5 = Pattern.compile("楼层:\r\n"
 + " ([^\"]*)");
Matcher m5 = p5.matcher(tempReturnStr); 
Pattern p6 = Pattern.compile("小区:\r\n"
 + " ([^\"]*)");
Matcher m6 = p6.matcher(tempReturnStr);
Pattern p7 = Pattern.compile("([^\"]*)元/月");
Matcher m7 = p7.matcher(tempReturnStr);

 所得出来的 group()所对应的结果是:

m2.group(1)为房屋编码

m2.group(2)为发布时间

m3.group(1)为房屋面积

m4.group(1)为朝向

m5.group(1)为楼层

m6.group(2)为小区名字

m7.group(1)为租金

将匹配到的每个信息输出,打印在控制台上,显示结果为

java网络爬虫爬取安居客租房信息(文章结尾附有完整代码)_第5张图片

红色方框圈出的信息即为打印出来的的爬取到的信息

步骤 3: 配置数据库并连接,将详细信息放到数据库的表中

在 sqlyog 中新建一个名为“安居客房价”的数据库,并在该数据 库中新建一个名为“安居客”的表,新建表的信息为:

java网络爬虫爬取安居客租房信息(文章结尾附有完整代码)_第6张图片

 配置数据库所用代码为:

Class.forName("com.mysql.cj.jdbc.Driver");
String sqlUrl = "jdbc:mysql://localhost:3306/安居客房
价?characterEncoding=UTF-8";
Connection conn = DriverManager.getConnection(sqlUrl, "root", 
"你的密码");
Statement stat = conn.createStatement();

 将打印详细信息(房屋编码,发布时间……)的语句替换成插入 数据库的代码语句 所替换的代码为:(“安居客”是我创建的安居客房价数据库中的表名称)

while(m2.find()&&m3.find()&&m4.find()&&m5.find()&&m6.find()&&m7.find()) {第 14 页 共 22 页
 String str="insert into 安居客
(housenumber,time,area,orientation,floor,price,address) 
values('"+m2.group(1)+"','"+m2.group(2)+"','"+m3.group(1)+"','"+m4.group(1)
+"','"+m5.group(1)+"','"+m7.group(1)+"','"+m6.group(2)+"')";
 stat.executeUpdate(str);
 }

插入数据库后,表显示的结果为

java网络爬虫爬取安居客租房信息(文章结尾附有完整代码)_第7张图片

步骤 4: 反爬虫

最初爬虫设置访问时间为 10 秒钟一次,但是爬到将近 100 条 IP 被禁, 于是采取一些反爬虫措施 1. 加上请求头参数 用浏览器打开安居客租房网站,按 F12 键,打开开发者工具,并点击“网络”,进入如下界面

java网络爬虫爬取安居客租房信息(文章结尾附有完整代码)_第8张图片

 在右侧的标头信息中找到 cookie 和 user-agent,将其中的值复制下来粘贴到代码中,

connection.setRequestProperty("Cookie", "cookie的值");
connection.setRequestProperty("User-Agent", "user-agent的值")

接下来设置了10到20秒的随机访问时间间隔,代码如 下:

Random rand = new Random();
int a=rand.nextInt(10) + 10;
Thread.sleep(a*1000);

完整代码:

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.SQLException;
import java.sql.Statement;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import java.util.Random;
public class Main {
	
	public static String URL1 = "https://wx.zu.anjuke.com/fangyuan/p{pageStart}/";
	public static void main(String[] args) throws IOException, ClassNotFoundException, SQLException, InterruptedException {
		//System.getProperties().setProperty("proxySet", "true");
		//System.getProperties().setProperty("http.proxyHost","125.87.92.163");
		//System.getProperties().setProperty("http.proxyPort", "4256");
		Class.forName("com.mysql.cj.jdbc.Driver");
		String sqlUrl = "jdbc:mysql://localhost:3306/安居客房价?characterEncoding=UTF-8";
		Connection conn = DriverManager.getConnection(sqlUrl, "root", "密码");
		Statement stat = conn.createStatement();
		while(true)
		{
		int pageStrat = 2;
			try {				
				URL url = new URL(URL1.replace("{pageStart}",pageStrat+""));
				HttpURLConnection connection = (HttpURLConnection)url.openConnection();
	            //设置请求方式
	            connection.setRequestMethod("GET");
	            // 10秒超时
	            connection.setConnectTimeout(10000);
	            connection.setReadTimeout(10000);	
	           
	           connection.setRequestProperty("Cookie", "cookie值");
    			connection.setRequestProperty("User-Agent", "useragent值");
	            //连接
	            connection.connect();
	            //得到响应码
	            int responseCode = connection.getResponseCode();
	            if(responseCode == HttpURLConnection.HTTP_OK){
	            	
	                //得到响应流
	                InputStream inputStream = connection.getInputStream();
	                //获取响应
	                BufferedReader reader = new BufferedReader(new InputStreamReader(inputStream,"UTF-8"));
	                String returnStr = "";
	                String line;
	                while ((line = reader.readLine()) != null){
	                    returnStr+=line + "\r\n";
	                }
	                //System.out.println(returnStr);
	                reader.close();
	                inputStream.close();
	                connection.disconnect();
	              // System.out.println(returnStr);
	                Pattern p = Pattern.compile("");
	        	    Matcher m = p.matcher(returnStr); 
	        	    while(m.find()) {
	        	    	//System.out.println("帖子详情链接:" + m.group(2));
	        	    	Random rand = new Random();
	        	    	int a=rand.nextInt(10)+5;
	        	    	Thread.sleep(a*1000);
	        	    	try {
		        	    	String tempUrlStr = m.group(2);
		        	    	System.out.println("当前链接:" + tempUrlStr);

		        	    	URL tempUrl = new URL(tempUrlStr);
		        			HttpURLConnection tempConnection = (HttpURLConnection)tempUrl.openConnection();
		                    //设置请求方式
		        			tempConnection.setRequestMethod("GET");
		        			// 10秒超时
		        			tempConnection.setConnectTimeout(10000);
		        			tempConnection.setReadTimeout(10000);
		        			
		        			tempConnection.setRequestProperty("Cookie", "cookie值");
                            tempConnection.setRequestProperty("User-Agent", "useragent值");

		                    //连接
		        			tempConnection.connect();
		                    //得到响应码
		                    int tempResponseCode = tempConnection.getResponseCode();
		                    System.out.println(tempResponseCode);
		                    if(tempResponseCode == HttpURLConnection.HTTP_OK){
		                        //得到响应流		          
		                        InputStream tempInputStream = tempConnection.getInputStream();
		                        //获取响应
		                        BufferedReader tempReader = new BufferedReader(new InputStreamReader(tempInputStream,"UTF-8"));
		                        String tempReturnStr ="";
		                        String tempLine;
		                        while ((tempLine = tempReader.readLine()) != null){
		                        	tempReturnStr += tempLine + "\r\n";
		                        }
		                        Pattern p2 = Pattern.compile("房屋编码:([^\\\"]*),发布时间:([^\\\"]*)\r\n");
		                	    Matcher m2 = p2.matcher(tempReturnStr); 
		                	    Pattern p3 = Pattern.compile("面积:\r\n"
		                	    		+ "        ([^\"]*)");
		                	    Matcher m3 = p3.matcher(tempReturnStr); 
		                	    Pattern p4 = Pattern.compile("朝向:\r\n"
		                	    		+ "        ([^\"]*)");
		                	    Matcher m4 = p4.matcher(tempReturnStr); 
		                	    Pattern p5 = Pattern.compile("楼层:\r\n"
		                	    		+ "        ([^\"]*)");
		                	    Matcher m5 = p5.matcher(tempReturnStr); 
		                	    Pattern p6 = Pattern.compile("小区:\r\n"
		                	    		+ "        ([^\"]*)");
		                	    Matcher m6 = p6.matcher(tempReturnStr);
		                	    Pattern p7 = Pattern.compile("([^\"]*)元/月");
		                	    Matcher m7 = p7.matcher(tempReturnStr); 
		                	    while(m2.find()&&m3.find()&&m4.find()&&m5.find()&&m6.find()&&m7.find()) {
		                	    	String str="insert into 安居客(housenumber,time,area,orientation,floor,price,address) values('"+m2.group(1)+"','"+m2.group(2)+"','"+m3.group(1)+"','"+m4.group(1)+"','"+m5.group(1)+"','"+m7.group(1)+"','"+m6.group(2)+"')";
		                            stat.executeUpdate(str);
		                	    }
		                	  
		                	  tempReader.close();
		                	  
		                	  tempInputStream.close();
			                    tempConnection.disconnect();
		                    }
	        	    		
	        	    	}catch(Exception e) {
	        	    		e.printStackTrace();
	        	    	}
	        	    	
	        	    }	        
	            }
			}catch(Exception e) {
				e.printStackTrace();
			}
			pageStrat++;
		}
	}
}

你可能感兴趣的:(Java爬虫)