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) { MapoldMap = new LinkedHashMap (); // 存储链接-是否被遍历 Map videoLinkMap = new LinkedHashMap (); // 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 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 crawlLinks(String oldLinkHost, Map oldMap) { Map newMap = new LinkedHashMap (); // 每次循环获取到的新链接 Map videoLinkMap = new LinkedHashMap (); // 视频下载链接 String oldLink = ""; for (Map.Entry 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]+).*?"); 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("
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。