首页 > 编程语言 >JAVA网络爬虫

JAVA网络爬虫

时间:2022-12-02 19:35:38浏览次数:65  
标签:JAVA String URL Pattern 爬虫 网络 href import new

一、前置背景

1、URL定义

     统一资源标识符(Uniform Resource Identifier ,URL)是采用一种特定语法标识一个资源的字符串。所标识的资源可能是服务器上的一个文件。Java的URL网络类可以让你通过URL去练级网络服务器并获取资源。
URL的格式如下:protocol://host:port/path?query#fragment

      例如:https://www.baidu.com/
      protocol(协议)可以是HTTP,HTTPS,FTP和File,port为端口号,path为文件路径及文件名。

URL类

     Java的URL类可以让访问网络资源就像是访问你本地的文件夹一样方便快捷。我们通过使用Java的URL类 就可以经由URL完成读取和修改数据的操作。通过一个URL连接,我们就可以确定资源的位置,比如网络文件、网络页面以及网络应用程序等。其中包含了许多的语法元素。

构造函数

 

 方法

 使用案例

public class URLTest {

    @Test
    public void test01() {
        URL u;
        try {
            u = new URL("https://www.baidu.com/");
            //返回一个URLConnection实例,表示与URL引用的远程对象的URL 。
            URLConnection uc = u.openConnection();
            InputStream in = uc.getInputStream();
            byte[] b = new byte[1024];
            int len;
            while ((len = in.read(b)) != -1) {
                System.out.println(new String(b, 0, len));
            }
            in.close();
        } catch (Exception e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
    }


    @Test
    //获取URL网页数据
    public void getFromURL2() {
        URL u = null;
        BufferedReader in = null;
        try {
            u = new URL("https://www.baidu.com/");
            //openStream方法:打开此 URL ,并返回一个 InputStream ,以便从该连接读取。
            in = new BufferedReader(new InputStreamReader(u.openStream(), "UTF-8"));
            String str;
            while ((str = in.readLine()) != null) {
                System.out.println(str);
            }
            in.close();
        } catch (Exception e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        } finally {
            if (in != null) {
                try {
                    in.close();
                } catch (IOException e) {
                    // TODO Auto-generated catch block
                    e.printStackTrace();
                }
            }
        }
    }
}

2、Pattern和Matcher

 Pattern和Matcher是用于解决String功能有限不足以解决问题的强大的正则表达式对象。

使用步骤:

1. 将String类型的正则表达式传入Pattern.compile()中,生成Pattern对象,Pattern对象表示编译后的正则表达式

    Pattern pattern = Pattern.compile("abc+"); //jdk解释:将给定的正则表达式编译到 模式 中。正则表达式:

2. 利用Pattern对象的matcher()生成Matcher对象,利用Matcher对象来进行一系列操作

    Matcher matcher = pattern.matcher("abcdefg");参数为用于匹配的字符串
3. Matcher的常用方法有:
    group():匹配成功返回的组

   find():尝试查找与该模式匹配的输入序列的的下一个子序列。

示例:

       public static void main(String[] args) {
          Pattern pattern = Pattern.compile("\\w+");  //https://baike.baidu.com/item/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F/1700215
          Matcher matcher = pattern.matcher("how old are you");
          while (matcher.find()) {
            System.out.println(matcher.group()+" ");
          }
}

二、爬虫实例

下面先实现一个单网页数据提取的功能。

    

 

 

package com.gqx;

import java.io.BufferedReader;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;
import java.util.Arrays;
import java.util.Collections;
import java.util.HashSet;
import java.util.Set;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class URLDemo {

    //爬取过的url
    private static Set<String> oldSet = new HashSet<>();
    private static Set<String> resultSet = new HashSet<>();

    public static void main(String[] args) {

        String urlStr = "https://search.jd.com/Search?keyword=%E7%AC%94%E8%AE%B0%E6%9C%AC&enc=utf-8&wq=%E7%AC%94%E8%AE%B0%E6%9C%AC&pvid=71d09ef7ac384d039840ce5d3c6e38ef";

        //授予及号码的匹配
        Pattern p = Pattern.compile("<a .*href=.+</a>");
        getHrefSet(urlStr, p);

        Set<String> newUrlSet = new HashSet<>();
        for (String str : resultSet) {
            newUrlSet.add(str);
        }


        for (String newUrlStr : newUrlSet) {
            getHrefSet(newUrlStr, p);
        }

        for (String str : resultSet) {
            System.out.println(str);
        }
    }




    public static HashSet getHrefSet(String urlStr, Pattern pattern) {
        HashSet<String> result = new HashSet<>();
        try {
            //建立url爬取核心对象
            URL url = new URL(urlStr);
            //通过url建立与网页的连接
            URLConnection conn = url.openConnection();
            //通过链接取得网页返回的数据
            InputStream is = conn.getInputStream();
            //一般按行读取网页数据,并进行内容分析
            //因此用BufferedReader和InputStreamReader把字节流转化为字符流的缓冲流
            //进行转换时,需要处理编码格式问题
            BufferedReader br = new BufferedReader(new InputStreamReader(is, "UTF-8"));
            //按行读取并打印
            String line = null;
            while ((line = br.readLine()) != null) {
                Matcher m = pattern.matcher(line);
                // 通过Matcher类的group方法和find方法来进行查找和匹配
                while (m.find()) {
                    String href = m.group();
                    //有无引号
                    href = href.substring(href.indexOf("href="));
                    if (href.charAt(5) == '\"') {
                        href = href.substring(6);
                    } else {
                        href = href.substring(5);
                    }
                    //截取到引号或者空格或者到">"结束
                    try {
                        href = href.substring(0, href.indexOf("\""));
                    } catch (Exception e) {
                        try {
                            href = href.substring(0, href.indexOf(" "));
                        } catch (Exception e1) {
                            href = href.substring(0, href.indexOf(">"));
                        }
                    }
                    if ((href.startsWith("http:") || href.startsWith("https:")) && !result.contains(href) ) {
                        resultSet.add(href);
                    }
                }
            }
            br.close();
        } catch (Exception e) {
            System.out.println(e.getMessage());
        }
        return result;
    }

}

  

 

 

标签:JAVA,String,URL,Pattern,爬虫,网络,href,import,new
From: https://www.cnblogs.com/helloworldcode/p/16939311.html

相关文章

  • vmware虚拟机三种网络模式(桥接、NAT、仅主机)带图详解
    文章目录说明三种网络模式介绍Bridge桥接模式说明设置vmware网络适配器虚拟机网络修改为桥接模式查看桥接物理网卡IP信息虚拟机中配置ip特殊说明NAT网络地址转换说明设置......
  • java语言——跨平台原理,jre,jdk
    day1Java是一种混合的编译运行方式:编译+解释(虚拟机)java的跨平台:在虚拟机中运行(jvm)jdk:jvm,核心类库,开发工具(开发环境)jre:Java的运行环境 ......
  • Linux网络延迟排查方法
    在Linux服务器中,可以通过内核调优、DPDK以及XDP等多种方式提高服务器的抗攻击能力,降低DDoS对正常服务的影响。在应用程序中,可以使用各级缓存、WAF、CDN等来缓解DDo......
  • 【JAVA】基于SpringSecurity登录的详细教程
    不知道抽起哪根筋,花了一周的时间终于写了个基于springsecurity的登录的样例,4、5年前在学springboot时曾经按书上的例子却怎么也写不出来,算是了却自己的一桩心愿吧。当然,我不......
  • java常见的延迟队列实现方式
    参考如下:https://www.jianshu.com/p/977466020144/redission延迟队列的实现https://www.cnblogs.com/better-farther-world2099/articles/15216447.html......
  • Java常用类-Objec和Objects
    Java常用类之Object类基本介绍包地址:java.lang.ObjectClassObject是类Object结构的根。每个class都有Object作为超类。所有对象(包括数组)都继承这个类。构造方法pub......
  • java copyFile
     javacopyFile publicstaticvoidcopyFile(FileoldFile,FilenewFile)throwsIOException{FileInputStreamfis=newFileInputStream(oldFile);Fil......
  • 获取省市区镇爬虫
     1packagecom.mock.utils;23importjava.io.IOException;4importjava.net.MalformedURLException;5importjava.util.ArrayList;6importjava......
  • java经典笔试题大全(50道含答案)
         java经典笔试题大全(50道含答案)    整理了一套常用的Java笔试题,选择题50道,简答题5道,试试你能做对多少题吧,含答案。选择题(共50题,每题1.5分,共75......
  • java利用正则表达式提取字符串中的整数和小数部分
    最近开发遇到一个新的东西,就是前端传过来一个字符串,需要将里面的数字提取出来,倒腾了一天,最后还是没有倒腾出来,最后还是借鉴大佬的方法。记录一下。首先是前端传来的字符串​......