本篇文章抓取目标网站的链接的基础上，进一步提高难度，抓取目标页面上我们所需要的内容并保存在数据库中。这里的测试案例选用了一个我常用的电影下载网站（http://www.80s.la/）。本来是想抓取网站上的所有电影的下载链接，后来感觉需要的时间太长，因此改成了抓取2015年电影的下载链接。
一 原理简介
其实原理都跟第一篇文章差不多，不同的是鉴于这个网站的分类列表实在太多，如果不对这些标签加以取舍的话，需要花费的时间难以想象。
分类链接和标签链接都不要，不通过这些链接去爬取其他页面，只通过页底的所有类型电影的分页去获取其他页面的电影列表即可。同时，对于电影详情页面，仅仅只是抓取其中的电影标题和迅雷下载链接，并不进行深层次的爬行，详情页面的一些推荐电影等链接通通不要。
最后就是将所有获取到的电影的下载链接保存在videoLinkMap这个集合中，通过遍历这个集合将数据保存到MySQL里
二 代码实现
实现原理已经在上面说了，并且代码中有详细注释，因此这里就不多说了，代码如下：
package action;import java.io.BufferedReader;import java.io.IOException;import java.io.InputStream;import java.io.InputStreamReader;import java.net.HttpURLConnection;import java.net.MalformedURLException;import java.net.URL;import java.sql.Connection;import java.sql.PreparedStatement;import java.sql.SQLException;import java.util.LinkedHashMap;import java.util.Map;import java.util.regex.Matcher;import java.util.regex.Pattern; public class VideoLinkGrab { public static void main(String[] args) { VideoLinkGrab videoLinkGrab = new VideoLinkGrab(); videoLinkGrab.saveData("http://www.80s.la/movie/list/-2015----p"); } /** * 将获取到的数据保存在数据库中 * * @param baseUrl * 爬虫起点 * @return null * */ public void saveData(String baseUrl) { Map<String, Boolean> oldMap = new LinkedHashMap<String, Boolean>(); // 存储链接-是否被遍历 Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 视频下载链接 String oldLinkHost = ""; // host Pattern p = Pattern.compile("(https?://)?[^///s]*"); // 比如：http://www.zifangsky.cn Matcher m = p.matcher(baseUrl); if (m.find()) { oldLinkHost = m.group(); } oldMap.put(baseUrl, false); videoLinkMap = crawlLinks(oldLinkHost, oldMap); // 遍历，然后将数据保存在数据库中 try { Connection connection = JDBCDemo.getConnection(); for (Map.Entry<String, String> mapping : videoLinkMap.entrySet()) { PreparedStatement pStatement = connection .prepareStatement("insert into movie(MovieName,MovieLink) values(?,?)"); pStatement.setString(1, mapping.getKey()); pStatement.setString(2, mapping.getValue()); pStatement.executeUpdate(); pStatement.close();// System.out.println(mapping.getKey() + " : " + mapping.getValue()); } connection.close(); } catch (SQLException e) { e.printStackTrace(); } } /** * 抓取一个网站所有可以抓取的网页链接，在思路上使用了广度优先算法 对未遍历过的新链接不断发起GET请求， 一直到遍历完整个集合都没能发现新的链接 * 则表示不能发现新的链接了，任务结束 * * 对一个链接发起请求时，对该网页用正则查找我们所需要的视频链接，找到后存入集合videoLinkMap * * @param oldLinkHost * 域名，如：http://www.zifangsky.cn * @param oldMap * 待遍历的链接集合 * * @return 返回所有抓取到的视频下载链接集合 * */ private Map<String, String> crawlLinks(String oldLinkHost, Map<String, Boolean> oldMap) { Map<String, Boolean> newMap = new LinkedHashMap<String, Boolean>(); // 每次循环获取到的新链接 Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 视频下载链接 String oldLink = ""; for (Map.Entry<String, Boolean> mapping : oldMap.entrySet()) { // System.out.println("link:" + mapping.getKey() + "--------check:" // + mapping.getValue()); // 如果没有被遍历过 if (!mapping.getValue()) { oldLink = mapping.getKey(); // 发起GET请求 try { URL url = new URL(oldLink); HttpURLConnection connection = (HttpURLConnection) url .openConnection(); connection.setRequestMethod("GET"); connection.setConnectTimeout(2500); connection.setReadTimeout(2500); if (connection.getResponseCode() == 200) { InputStream inputStream = connection.getInputStream(); BufferedReader reader = new BufferedReader( new InputStreamReader(inputStream, "UTF-8")); String line = ""; Pattern pattern = null; Matcher matcher = null; //电影详情页面，取出其中的视频下载链接，不继续深入抓取其他页面 if(isMoviePage(oldLink)){ boolean checkTitle = false; String title = ""; while ((line = reader.readLine()) != null) { //取出页面中的视频标题 if(!checkTitle){ pattern = Pattern.compile("([^//s]+).*?</title>"); matcher = pattern.matcher(line); if(matcher.find()){ title = matcher.group(1); checkTitle = true; continue; } } // 取出页面中的视频下载链接 pattern = Pattern .compile("(thunder:[^/"]+).*thunder[rR]es[tT]itle=/"[^/"]*/""); matcher = pattern.matcher(line); if (matcher.find()) { videoLinkMap.put(title,matcher.group(1)); System.out.println("视频名称： " + title + " ------ 视频链接：" + matcher.group(1)); break; //当前页面已经检测完毕 } } } //电影列表页面 else if(checkUrl(oldLink)){ while ((line = reader.readLine()) != null) { pattern = Pattern .compile("<a href=/"([^/"//s]*)/""); matcher = pattern.matcher(line); while (matcher.find()) { String newLink = matcher.group(1).trim(); // 链接 // 判断获取到的链接是否以http开头 if (!newLink.startsWith("http")) { if (newLink.startsWith("/")) newLink = oldLinkHost + newLink; else newLink = oldLinkHost + "/" + newLink; } // 去除链接末尾的 / if (newLink.endsWith("/")) newLink = newLink.substring(0, newLink.length() - 1); // 去重，并且丢弃其他网站的链接 if (!oldMap.containsKey(newLink) && !newMap.containsKey(newLink) && (checkUrl(newLink) || isMoviePage(newLink))) { System.out.println("temp: " + newLink); newMap.put(newLink, false); } } } } reader.close(); inputStream.close(); } connection.disconnect(); } catch (MalformedURLException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } try { Thread.sleep(1000); } catch (InterruptedException e) { e.printStackTrace(); } oldMap.replace(oldLink, false, true); } } // 有新链接，继续遍历 if (!newMap.isEmpty()) { oldMap.putAll(newMap); videoLinkMap.putAll(crawlLinks(oldLinkHost, oldMap)); // 由于Map的特性，不会导致出现重复的键值对 } return videoLinkMap; } /** * 判断是否是2015年的电影列表页面 * @param url 待检查URL * @return 状态 * */ public boolean checkUrl(String url){ Pattern pattern = Pattern.compile("http://www.80s.la/movie/list/-2015----p//d*"); Matcher matcher = pattern.matcher(url); if(matcher.find()) return true; //2015年的列表 else return false; } /** * 判断页面是否是电影详情页面 * @param url 页面链接 * @return 状态 * */ public boolean isMoviePage(String url){ Pattern pattern = Pattern.compile("http://www.80s.la/movie///d+"); Matcher matcher = pattern.matcher(url); if(matcher.find()) return true; //电影页面 else return false; } }注：如果想要实现抓取其他网站的一些指定内容的话，需要将其中的一些正则表达式根据实际情况进行合理修改
三 测试效果
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持武林网。