follow大神教程——实践java爬虫之二
第二篇大神开始抓知乎了，哟哟好顺利的样子。
最终目标：抓取http://www.cfsn.cn/news/node_4534.htm的新闻标题、链接，并存储到mysql中。
现在以模仿为主，第一阶段：抓取之后存储到txt之中。
将main中url赋值为http://www.cfsn.cn/news/node_4534.htm，运行结果是该页面的源码，接着应该用正则表达式抓取需要的信息。
该页面的第一条新闻：
<a href="content/2014-05/14/content_203870.htm" target="_blank">青岛22人因生产有害食品获刑</a>
回头看大神原文：
正则语句为question_link.+?href=\"(.+?)\"
则抓取结果【最新结果】
/question/22221540/answer/22120516
正则语句为question_link.+?>(.+?)<
则抓取结果为第一个标题。
=>（）中内容是要抓的部分。
观察食品安全的网页源码，_blank具有特殊性，可见其与其他超链接区分开。
试一下
正则语句：_blank\">(.+?)<
public static void main(String[] args) {
// 定义即将访问的链接
String url = "http://www.cfsn.cn/news/node_4534.htm";
// 访问链接并获取页面内容
String result = SendGet(url);
// 使用正则匹配图片的src内容
String imgSrc = RegexString(result, "_blank\">(.+?)<");
// 打印结果
System.out.println(imgSrc);
}
运行结果：
青岛22人因生产有害食品获刑
（第一次运行显示超时异常，坑爹网速不给力吖）
接着要将所有结果存储到ArrayList中，我们需要新的正则函数
旧的正则函数：
static String RegexString(String targetStr, String patternStr) {
// 定义一个样式模板，此中使用正则表达式，括号中是要抓的内容
// 相当于埋好了陷阱匹配的地方就会掉下去
Pattern pattern = Pattern.compile(patternStr);
// 定义一个matcher用来做匹配
Matcher matcher = pattern.matcher(targetStr);
// 如果找到了
if (matcher.find()) {
// 打印出结果
return matcher.group(1);
}
return "Nothing";
}
新的
static ArrayList<String> RegexString(String targetStr, String patternStr) {
// 预定义一个ArrayList来存储结果
ArrayList<String> results = new ArrayList<String>();
// 定义一个样式模板，此中使用正则表达式，括号中是要抓的内容， 相当于埋好了陷阱匹配的地方就会掉下去
Pattern pattern = Pattern.compile(patternStr);
// 定义一个matcher用来做匹配
Matcher matcher = pattern.matcher(targetStr);
// 如果找到了
boolean isFind = matcher.find();
// 使用循环将句子里所有的kelvin找出并替换再将内容加到sb里
while(isFind){
//添加成功匹配的结果
results.add(matcher.group(1));
// 继续查找下一个匹配对象
isFind=matcher.find();
}
return results;
}
还要修改main中imgSrc的类型为ArrayList<String>
运行结果：
[青岛22人因生产有害食品获刑, 广西查获120吨凤爪猪耳等洋垃圾, 臭豆腐用 【略】
成功抓取到所有标题。
抓链接的正则表达式：
若为href=\"(.+?)\" 多抓了几个；
若为href=\"(.+?)\".+?_blank，结果每次都是Connection time out；
还没系统研究过正则，有可能是\"后面的.+?所致
实际测试正则表达式为span><a href=\"(.+?)\"运行结果则显示出要的新闻超链接。
下来需要标题和链接，设计一个cfsn类（china food safe net）存储所有抓取到的对象，
public class Cfsn {
public String title; //新闻标题
public String CfsnUrl ;//网页链接
//构造方法初始化数据
public Cfsn(){
title = "" ;
CfsnUrl = "" ;
}
@Override
public String toString(){
return "标题："+title+"\n链接："+CfsnUrl+"\n";
}
}
Spider类：
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;
import java.util.ArrayList;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
//Spider类来存放一些爬虫常用的函数。
public class Spider {
static String SendGet(String url) {
// 定义一个字符串用来存储网页内容
String result = "";
// 定义一个缓冲字符输入流
BufferedReader in = null;
try {
// 将string转成url对象
URL realUrl = new URL(url);
// 初始化一个链接到那个url的连接
URLConnection connection = realUrl.openConnection();
// 开始实际的连接
connection.connect();
// 初始化 BufferedReader输入流来读取URL的响应
in = new BufferedReader(new InputStreamReader(
connection.getInputStream(), "UTF-8"));
// 用来临时存储抓取到的每一行的数据
String line;
while ((line = in.readLine()) != null) {
// 遍历抓取到的每一行并将其存储到result里面
result += line;
}
} catch (Exception e) {
System.out.println("发送GET请求出现异常！" + e);
e.printStackTrace();
}
// 使用finally来关闭输入流
finally {
try {
if (in != null) {
in.close();
}
} catch (Exception e2) {
e2.printStackTrace();
}
}
return result;
}
static ArrayList<Cfsn> GetCfsn(String content) {
// 预定义一个ArrayList来存储结果
ArrayList<Cfsn> results = new ArrayList<Cfsn>();
// 用来匹配标题
Pattern questionPattern = Pattern.compile("_blank\">(.+?)<");
Matcher questionMatcher = questionPattern.matcher(content);
// 用来匹配url，也就是问题的链接
Pattern urlPattern = Pattern.compile("span><a href=\"(.+?)\"");
Matcher urlMatcher = urlPattern.matcher(content);
// 标题和链接要均能匹配到
boolean isFind = questionMatcher.find() && urlMatcher.find();
while (isFind) {
// 定义一个食品安全网对象来存储抓取到的信息
Cfsn zhuhuTemp = new Cfsn();
zhuhuTemp.title = questionMatcher.group(1);
zhuhuTemp.CfsnUrl = "http://www.cfsn.cn/news/" + urlMatcher.group(1);
// 添加成功匹配的结果
results.add(zhuhuTemp);
// 继续查找下一个匹配对象
isFind = questionMatcher.find() && urlMatcher.find();
}
return results;
}
}
Main类：
import java.util.ArrayList;
public class Main {
public static void main(String args[]) {
// 定义即将访问的链接
String url = "http://www.cfsn.cn/news/node_4534.htm";
// 访问链接并获取页面内容
String content = Spider.SendGet(url);
// 获取该页面的所有的知乎对象
ArrayList<Cfsn> myCfsn = Spider.GetCfsn(content);
// 打印结果
System.out.println(myCfsn);
}
}
结果：
【普大喜奔啊啊啊】
运行3、4遍都是connection time out，绝望的时候居然抓取成功了（oschina限定上传图片小于200k，可以鄙视一下么，QQ截图400K吖吖吖）
最后再次诅咒一下我的网速，明天follow大神继续下一步