本篇文章抓取目標網站的鏈接的基礎上,進一步提高難度,抓取目標頁面上我們所需要的內容並保存在數據庫中。這裡的測試案例選用了一個我常用的電影下載網站(http://www.80s.la/)。本來是想抓取網站上的所有電影的下載鏈接,後來感覺需要的時間太長,因此改成了抓取2015年電影的下載鏈接。
一原理簡介
其實原理都跟第一篇文章差不多,不同的是鑑於這個網站的分類列表實在太多,如果不對這些標籤加以取捨的話,需要花費的時間難以想像。
分類鏈接和標籤鏈接都不要,不通過這些鏈接去爬取其他頁面,只通過頁底的所有類型電影的分頁去獲取其他頁面的電影列表即可。同時,對於電影詳情頁面,僅僅只是抓取其中的電影標題和迅雷下載鏈接,並不進行深層次的爬行,詳情頁面的一些推薦電影等鏈接通通不要。
最後就是將所有獲取到的電影的下載鏈接保存在videoLinkMap這個集合中,通過遍歷這個集合將數據保存到MySQL裡
二代碼實現
實現原理已經在上面說了,並且代碼中有詳細註釋,因此這裡就不多說了,代碼如下:
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"); } /** * 將獲取到的數據保存在數據庫中* * @param baseUrl * 爬蟲起點* @return null * */ public void saveData(String baseUrl) { Map<String, Boolean> oldMap = new LinkedHashMap<String, Boolean>(); // 存儲鏈接-是否被遍歷Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 視頻下載鏈接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); // 遍歷,然後將數據保存在數據庫中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(); } } /** * 抓取一個網站所有可以抓取的網頁鏈接,在思路上使用了廣度優先算法對未遍歷過的新鏈接不斷發起GET請求, 一直到遍歷完整個集合都沒能發現新的鏈接* 則表示不能發現新的鏈接了,任務結束* * 對一個鏈接發起請求時,對該網頁用正則查找我們所需要的視頻鏈接,找到後存入集合videoLinkMap * * @param oldLinkHost * 域名,如:http://www.zifangsky.cn * @param oldMap * 待遍歷的鏈接集合* * @return 返回所有抓取到的視頻下載鏈接集合* */ private Map<String, String> crawlLinks(String oldLinkHost, Map<String, Boolean> oldMap) { Map<String, Boolean> newMap = new LinkedHashMap<String, Boolean>(); // 每次循環獲取到的新鏈接Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 視頻下載鏈接String oldLink = ""; for (Map.Entry<String, Boolean> mapping : oldMap.entrySet()) { // System.out.println("link:" + mapping.getKey() + "--------check:" // + mapping.getValue()); // 如果沒有被遍歷過if (!mapping.getValue()) { oldLink = mapping.getKey(); // 發起GET請求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; //電影詳情頁面,取出其中的視頻下載鏈接,不繼續深入抓取其他頁面if(isMoviePage(oldLink)){ boolean checkTitle = false; String title = ""; while ((line = reader.readLine()) != null) { //取出頁面中的視頻標題if(!checkTitle){ pattern = Pattern.compile("([^//s]+).*?</title>"); matcher = pattern.matcher(line); if(matcher.find()){ title = matcher.group(1); checkTitle = true; continue; } } // 取出頁面中的視頻下載鏈接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("視頻名稱: " + title + " ------ 視頻鏈接:" + matcher.group(1)); break; //當前頁面已經檢測完畢} } } //電影列表頁面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(); // 鏈接// 判斷獲取到的鏈接是否以http開頭if (!newLink.startsWith("http")) { if (newLink.startsWith("/")) newLink = oldLinkHost + newLink; else newLink = oldLinkHost + "/" + newLink; } // 去除鏈接末尾的/ if (newLink.endsWith("/")) newLink = newLink.substring(0, newLink.length() - 1); // 去重,並且丟棄其他網站的鏈接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); } } // 有新鏈接,繼續遍歷if (!newMap.isEmpty()) { oldMap.putAll(newMap); videoLinkMap.putAll(crawlLinks(oldLinkHost, oldMap)); // 由於Map的特性,不會導致出現重複的鍵值對} return videoLinkMap; } /** * 判斷是否是2015年的電影列表頁面* @param url 待檢查URL * @return 狀態* */ 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; } /** * 判斷頁面是否是電影詳情頁面* @param url 頁面鏈接* @return 狀態* */ 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; //電影頁面else return false; } }注:如果想要實現抓取其他網站的一些指定內容的話,需要將其中的一些正則表達式根據實際情況進行合理修改
三測試效果
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持武林網。