java爬虫入门(一)_response.getentity()-程序员宅基地

技术标签: ssm框架  jsoup  httpclient  java爬虫  

需求分析:

首先访问京东,搜索手机,分析页面,我们抓取以下商品数据:
商品图片、价格、标题、商品详情页

一.开发准备

技术要求:springboot   spring data jpa   httpclient  jsoup

数据库准备:

use crawler;

CREATE TABLE `jd_item` (
  `id` bigint(10) NOT NULL AUTO_INCREMENT COMMENT '主键 id',
  `spu` bigint(15) DEFAULT NULL COMMENT '商品集合 id',
  `sku` bigint(15) DEFAULT NULL COMMENT '商品最小品类单元 id',
  `title` varchar(100) DEFAULT NULL COMMENT '商品标题',
  `price` bigint(10) DEFAULT NULL COMMENT '商品价格',
  `pic` varchar(200) DEFAULT NULL COMMENT '商品图片',
  `url` varchar(200) DEFAULT NULL COMMENT '商品详情地址',
  `created` datetime DEFAULT NULL COMMENT '创建时间',
  `updated` datetime DEFAULT NULL COMMENT '更新时间',
  PRIMARY KEY (`id`),
  KEY `sku` (`sku`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8 COMMENT='京东商品表'

1.创建springboot 工程  ,导入依赖

    <parent>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-parent</artifactId>
        <version>2.0.1.RELEASE</version>
    </parent>
    <groupId>com.itheima</groupId>
    <artifactId>crawler</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>

        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>
        <!-- HttpClient -->
        <dependency>
            <groupId>org.apache.httpcomponents</groupId>
            <artifactId>httpclient</artifactId>
            <version>4.5.3</version>
        </dependency>
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
        </dependency>

        <!-- 日志 -->
        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-log4j12</artifactId>
            <version>1.7.25</version>
        </dependency>

        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
        </dependency>

        <!--Jsoup-->
        <dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.10.3</version>
        </dependency>


        <!--工具-->
        <dependency>
            <groupId>org.apache.commons</groupId>
            <artifactId>commons-lang3</artifactId>
            <version>3.7</version>
        </dependency>

        <dependency>
            <groupId>commons-io</groupId>
            <artifactId>commons-io</artifactId>
            <version>2.6</version>
        </dependency>

    </dependencies>

2.编写配置文件

3.编写启动类


@SpringBootApplication
public class SpringBootRun {
    public static void main(String[] args) {
        SpringApplication.run(SpringBootRun.class,args);
    }
}

4.编写持久化类

@Entity
@Table(name = "jd_item")
public class Item {
    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long id;
    private String spu;
    private String sku;
    private String title;
    private Long price;
    private String pic;
    private String url;
    private Date created;
    private Date updated;

    public Long getId() {
        return id;
    }

    public void setId(Long id) {
        this.id = id;
    }

    public String getSpu() {
        return spu;
    }

    public void setSpu(String spu) {
        this.spu = spu;
    }

    public String getSku() {
        return sku;
    }

    public void setSku(String sku) {
        this.sku = sku;
    }

    public String getTitle() {
        return title;
    }

    public void setTitle(String title) {
        this.title = title;
    }

    public Long getPrice() {
        return price;
    }

    public void setPrice(Long price) {
        this.price = price;
    }

    public String getPic() {
        return pic;
    }

    public void setPic(String pic) {
        this.pic = pic;
    }

    public String getUrl() {
        return url;
    }

    public void setUrl(String url) {
        this.url = url;
    }

    public Date getCreated() {
        return created;
    }

    public void setCreated(Date created) {
        this.created = created;
    }

    public Date getUpdated() {
        return updated;
    }

    public void setUpdated(Date updated) {
        this.updated = updated;
    }

}

5.编写dao接口

public interface ItemDao extends JpaRepository<Item,Long>{

}

6.编写service接口以及实现列

@Service
@Transactional
public class ItemServiceImpl implements ItemService {

    @Autowired
    private ItemDao itemDao;
    @Override
    public void save(Item item) {
        itemDao.save(item);

    }
    //条件查询
    @Override
    public List<Item> findAll(Item item) {
        Example example = Example.of(item);
        List<Item> all = this.itemDao.findAll(example);
        return all;
    }
}

二.代码实现

封装HttpClient

package com.itheima.utils;

import org.apache.http.client.config.RequestConfig;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.impl.conn.PoolingHttpClientConnectionManager;
import org.apache.http.util.EntityUtils;
import org.springframework.context.annotation.ComponentScan;

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.util.UUID;

@ComponentScan
public class HttpUtil {
    //http连接池
    private static PoolingHttpClientConnectionManager pool;
    static{
        pool = new PoolingHttpClientConnectionManager();
        pool.setMaxTotal(100);
        pool.setDefaultMaxPerRoute(50);
    }

    /**
     * 获取页面源码
     */
    public String getHtml(String url){
        CloseableHttpClient build = HttpClients.custom().setConnectionManager(pool).build();
        //通过get请求
        HttpGet httpGet = new HttpGet();
        httpGet.setHeader("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36");
        httpGet.setConfig(this.getConfig());
        //发送请求
        try {
            CloseableHttpResponse response = build.execute(httpGet);
            //判断发送的返回的状态
            if (response.getStatusLine().getStatusCode()==200){
                String string = EntityUtils.toString(response.getEntity(), "UTF-8");
                return string;
            }
        } catch (IOException e) {
            e.printStackTrace();
            return null;
        }
        return null;
    }
    /**
     * 下载图片
     */
    public String getImage(String imgUrl){
        CloseableHttpClient build = HttpClients.custom().setConnectionManager(pool).build();
        HttpGet httpGet = new HttpGet();
        httpGet.setConfig(this.getConfig());
        try {
            CloseableHttpResponse response = build.execute(httpGet);
            if (response.getStatusLine().getStatusCode()==200){
               //后缀名 .jpg  .png
                String suffix = imgUrl.substring(imgUrl.lastIndexOf("."));
                String newImg = UUID.randomUUID()+suffix;

                //保存图片
                FileOutputStream fileOutputStream = new FileOutputStream(new File("F:\\img\\" + newImg));
                response.getEntity().writeTo(fileOutputStream);
                return newImg;
            }
        } catch (IOException e) {
            e.printStackTrace();
            return null;
        }

        return null;
    }
    private RequestConfig getConfig(){
        RequestConfig requestConfig = RequestConfig.custom()
                .setConnectionRequestTimeout(500)
                .setConnectTimeout(500)
                .setSocketTimeout(1000 * 10)
                .build();
        return requestConfig;
    }
}

使用定时任务编写页面抓取代码

package com.itheima.utils;

import com.fasterxml.jackson.databind.ObjectMapper;
import com.itheima.po.Item;
import com.itheima.service.ItemService;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.scheduling.annotation.Scheduled;
import org.springframework.stereotype.Component;
import org.springframework.util.StringUtils;

import java.io.IOException;
import java.util.Date;

@Component
public class ItemTask {

    @Autowired
    private ItemService itemService;

    @Autowired
    private HttpUtil httpUtil;

    public static final ObjectMapper MAPPER = new ObjectMapper();

    //设置定时任务,间隔100秒执行一次
    @Scheduled(fixedDelay = 1000 * 50)
    public void process(){

        //京东的url 地址
        String url = "https://search.jd.com/Search?keyword=%E6%89%8B%E6%9C%BA&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=%E6%89%8B%E6%9C%BA&cid2=653&cid3=655&s=59&click=0&page=";
        for (int i = 1; i < 10; i=i+2) {
            String html = this.httpUtil.getHtml(url+i);
            //解析页面数据保存到数据库
            this.parseHtml(html);
        }
        System.out.println("执行完成");
    }
    //解析页面数据库保存到数据库
    private void parseHtml(String html) {
        //通过Jsoup解析文件
        Document document = Jsoup.parse(html);
        //获取spu 的dom 数据
        Elements spuelements = document.select("div#J_goodsList li.gl-item");
        for (Element spuelement : spuelements) {
            String spuId = spuelement.attr("data-spu");
            Elements skuelements = spuelement.select("div.p-scroll li.ps-item");
            for (Element skuelement : skuelements) {
                Item item = new Item();
                item.setSpu(spuId);
                //获得skuid
                String skuid = skuelement.select("img").attr("data-sku");
                item.setSku(skuid);
                //获得图片的url路径
                String skuUrl = "https://item.jd.com/"+skuid+".html";
                item.setUrl(skuUrl);
                //发送请求获得商品详情页的数据
                String skuHtml = httpUtil.getHtml(skuUrl);
                //获得详情页的dom树
                Document skuDocumet = Jsoup.parse(skuHtml);
                String skuTitle = skuDocumet.select("div.sku-name").text();
                item.setTitle(skuTitle);
                //注意:因为价格是异步请求的,所以我们通过ajax获得
                String priceUrl = "https://p.3.cn/prices/mgets?skuIds=J_"+skuid;
                String parceHtml = httpUtil.getHtml(priceUrl);
                ObjectMapper objectMapper = new ObjectMapper();
                try {
                    long price = objectMapper.readTree(priceUrl).get(0).get("p").asLong();
                    item.setPrice(price);
                } catch (IOException e) {
                    e.printStackTrace();
                }
                //获取路径
                String imgUrl = skuelement.select("img").attr("src");
                if (StringUtils.isEmpty(imgUrl)){
                    imgUrl = skuelement.select("img").attr("data-lazy-img");
                }
                imgUrl = imgUrl.replace("/n9/","/n7/");
                String imageNewName= httpUtil.getImg("http:" + imgUrl);
                item.setPic(imageNewName);
                item.setCreated(new Date());
                itemService.save(item);

            }
        }
    }
}

使用json解析获得的页面

package com.itheima.utils;

import org.apache.http.client.config.RequestConfig;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.impl.conn.PoolingHttpClientConnectionManager;
import org.apache.http.util.EntityUtils;
import org.springframework.stereotype.Component;

import java.io.FileOutputStream;
import java.io.IOException;
import java.util.UUID;

@Component
public class HttpUtil {
    private static PoolingHttpClientConnectionManager pool;

    static{
        pool = new PoolingHttpClientConnectionManager();
        pool.setMaxTotal(200);
        pool.setDefaultMaxPerRoute(50);
    }
    /**
     * 使用httpclient抓取页面
     * @param url
     * @return
     */
    public String getHtml(String url){
        CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(pool).build();
        HttpGet httpGet = new HttpGet(url);
        httpGet.setHeader("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36");
        httpGet.setConfig(this.getConfig());
        try {
            CloseableHttpResponse response = httpClient.execute(httpGet);
            if(response.getStatusLine().getStatusCode() == 200){
                String content = EntityUtils.toString(response.getEntity(), "UTF-8");
                return content;
            }
        } catch (IOException e) {
            e.printStackTrace();
            return null;
        }
        return null;
    }
    /**
     * 获取图片,并且保存在本地文件
     * 返回图片的新文件名
     * @param imgUrl
     * @return
     */
    public String getImg(String imgUrl){
        CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(pool).build();
        HttpGet httpGet = new HttpGet(imgUrl);
        httpGet.setConfig(this.getConfig());
        try {
            CloseableHttpResponse response = httpClient.execute(httpGet);
            //获取图片后缀 .jpg .png
            String suffix = imgUrl.substring(imgUrl.lastIndexOf("."));
            //创建新文件名
            String imgNewName = UUID.randomUUID()+suffix;
            if(response.getStatusLine().getStatusCode() ==200){
                //通过流保存图片文件
                FileOutputStream outputStream = new FileOutputStream("F:\\img\\"+imgNewName);
                response.getEntity().writeTo(outputStream);
                return imgNewName;
            }
        } catch (IOException e) {
            e.printStackTrace();
            return null;
        }
        return null;
    }

    /**
     * 生成配置
     * @return
     */
    private RequestConfig getConfig(){
        RequestConfig requestConfig = RequestConfig.custom()
                .setConnectionRequestTimeout(1000)
                .setConnectTimeout(1000)
                .setSocketTimeout(1000 * 10)
                .build();
        return requestConfig;
    }
}

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/wangwei_620/article/details/86545032

智能推荐

3-16心电图多分类预测task01_机器学习在呼吸心跳信号检测中应用ti-程序员宅基地

文章浏览阅读285次。3-16心电图多分类预测task01一、赛题理解1.赛题理解1.数据概况1.评价指标二、baseline学习1.引入库2.读入数据3.数据预处理4.训练、测试数据准备5.模型训练总结提示:以下是本篇文章正文内容,下面案例可供参考一、赛题理解1.赛题理解以心电图心跳信号数据为背景,要求根据心电图感应数据预测心跳信号所属类别,其中心跳信号对应正常病例以及受不同心律不齐和心肌梗塞影响的病例,这是一个多分类的问题。1.数据概况以预测心电图心跳信号类别为任务,总数据量超过20万,主要为1列心跳信号序列数_机器学习在呼吸心跳信号检测中应用ti

【超好懂的比赛题解】第 45 届国际大学生程序设计竞赛(ICPC)亚洲区域赛(济南)_icpc国际大学生程序设计竞赛题目-程序员宅基地

文章浏览阅读930次,点赞2次,收藏2次。title : 第 45 届国际大学生程序设计竞赛(ICPC)亚洲区域赛(济南)tags : ACM,题解,练习记录。_icpc国际大学生程序设计竞赛题目

SpringBoot(Thymeleaf)拼接跳转链接_thymeleaf拼接href和${}-程序员宅基地

文章浏览阅读1.1k次。th:href = "@{/user/}"+${xxxx}链接的拼接类似于Java中的字符串拼接,使用+完成拼接要注意的是@{}中要把后面的/也带上,${}中的是变量值,可以是从别的页面获取的表单值之类的_thymeleaf拼接href和${}

【论文笔记 医疗影像分割—nnUNet】nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation-程序员宅基地

文章浏览阅读6.4k次,点赞3次,收藏41次。文章目录1.Abstract说明:本文是对原版论文和一位大神解读的基础上,加以自己的理解而作,如有错误,欢迎指正。大神的文章链接1.Abstract'对于深度学习模型来说,当用在一个新的问题上,就需要对可变设置人为设定。对新问题的适应包括精确架构、预训练、训练、推理对个自由度,这些选择对整体性能有很大的影响。本文提出nnU-Net(no-new-net)????,是一种基于三个模型:2D U-Net, 3D U-Net 和U-Net Cascade(级联的3D U-net,之后会有介绍)上的自适应框_nnunet

Java 异常的处理_catch中不用system.exit(1)会怎样-程序员宅基地

文章浏览阅读242次。Java 异常的处理Java 应用程序中,对异常的处理有两种方式:处理异常和声明异常。处理异常:try、catch 和 finally若要捕获异常,则必须在代码中添加异常处理器块。这种 Java 结构可能包含 3 个部分,都有 Java 关键字。try 语句块:将一个或者多个语句放入 try 时,则表示这些语句可能抛出异常。编译器知道可能要发生异常,于是用一个特殊结构评估块内所_catch中不用system.exit(1)会怎样

OSPF 多区域配置实验_area0.0.1.0等于多少-程序员宅基地

文章浏览阅读263次。OSPF 多区域配置_area0.0.1.0等于多少

随便推点

MySQL8.0学习记录10 - 字符集与校对规则_mysql8.0存储系统元数据的字符集是-程序员宅基地

文章浏览阅读2.1k次。MySQL8.0字符集_mysql8.0存储系统元数据的字符集是

漫威所有电影的 按时间线的观影顺序-程序员宅基地

文章浏览阅读3.1k次。美国队长1 - 2011年惊奇队长 - 2019年钢铁侠1 - 2008年无敌浩克 - 2008年钢铁侠2 - 2010年雷神 - 2011年复仇者联盟 - 2012年雷神2 - 2013年钢铁侠3 - 2013年美国队长2 - 2014年复仇者联盟2 - 2015年银河护卫队 - 2017年蚁人 - 2015年美国队长3 - 2016年奇异博士 - 2016年银河护卫队2 - 2017..._漫威电影观看顺序时间线

PhotoZoom Classic 7中的新功能-程序员宅基地

文章浏览阅读142次。众所周知PhotoZoom Classic是家庭使用理想的放大图像软件。目前很多用户还在使用PhotoZoom Classic 6,对于PhotoZoom Classic 7还是有点陌生。其实在6代衍生下出了7代,7代比6代多了很多适用的功能。下面我们就介绍一下PhotoZoom Classic 7中的新功能。PhotoZoom Classic 6的功能我们就不过多介绍,主要介绍7代中特有的功..._photozoon的作用

tensorflow中tf.keras.models.Sequential()用法-程序员宅基地

文章浏览阅读4.6w次,点赞75次,收藏349次。tensorflow中tf.keras.models.Sequential()用法Sequential()方法是一个容器,描述了神经网络的网络结构,在Sequential()的输入参数中描述从输入层到输出层的网络结构model = tf.keras.models.Sequential([网络结构]) #描述各层网络网络结构举例:拉直层:tf.keras.layers.Flatten() #拉直层可以变换张量的尺寸,把输入特征拉直为一维数组,是不含计算参数的层全连接层:tf.ker._tf.keras.models.sequential

Java递归实现Fibonacci数列计算_用递归方法编程计算fibonacci数列:(n=10),fac.jpg-程序员宅基地

文章浏览阅读2.8k次。实现代码如下:public static int factorial(int n){ if (n <= 1){ return 1; } return factorial(n-1) + factorial(n-2); }测试代码如下:System.out.println(factorial(40));测..._用递归方法编程计算fibonacci数列:(n=10),fac.jpg

scratch班级名称 电子学会图形化编程scratch等级考试四级真题和答案解析B卷2020-9-程序员宅基地

文章浏览阅读1.3k次。scratch班级名称一、题目要求1、准备工作 保留小猫角色,白色背景 2、功能实现 点击绿旗后,询问请输入年级数,等待输入年级数 询问请输入班级数,等待输入班级数 定义列表“全校班级”,假设每个班级的班级数相同,所有班级名称自动生成并保存到全校班级中。 例如,输入年级数为5,输入班级数为8,可以看到舞台上列表全校班级的内容为:1(1)班、1(2)班、...5(7)班、5(8)班 二、案例分析1、角色分析角色:小猫2、背景_scratch班级名称

推荐文章

热门文章

相关标签