Java实现网络爬虫 案例代码：从网上获取《三国演义》全文

案例：从网上获取《三国演义》全文

需求说明

搭建开发环境，实现《三国演义》全文保存在本地

步骤分析

1、访问网址：http://www.shicimingju.com/book/sanguoyanyi.html

2、分析网站URL、文档内容特征

3、获取网页内容

4、拆分出需求内容

5、保存在本地 D:\三国演义.txt

import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.OutputStreamWriter;
import java.net.URL;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class NovelDemo {

/**
* 1、根据小说存放位置创建file对象
* 2、根据网页结构编写正则，创建pattern对象
* 3、编写循环，创建向所有小说章节页面发起网络请求的url对象
* 4、网络流BufferReader
* 5、创建输入流
* 6、循环读取请求得到的内容，使用正则匹配其中的内容
* 7、将读取到的内容写入本地文件，知道循环结束
* 8、注意代码中的异常处理
*/

public static void main(String[] args) {
// 1、根据小说存放位置创建file对象
File file = new File("D:\\三国演义.txt");
if(!file.exists()){ //文件不存在则创建该文件
try {
file.createNewFile();
} catch (IOException e) {
e.printStackTrace();
}
}
// 2、根据网页结构编写正则，创建pattern对象
String regex_content = "<p.*?>(.*?)</p>";
String regex_title = "<h1>(.*?)</h1>";
Pattern p_content = Pattern.compile(regex_content);
Pattern p_title = Pattern.compile(regex_title);
Matcher m_content;
Matcher m_title;
// 3、编写循环，创建向所有小说章节页面发起网络请求的url对象
for (int i = 1; i <= 120; i++) {
System.out.println("第" + i + "章开始下载。。。");
try {
// 创建每一个页面的url对象
URL url = new URL
("http://www.shicimingju.com/book/sanguoyanyi/" + i + ".html");
// 创建网络读取流
BufferedReader reader = new BufferedReader(
new InputStreamReader(url.openStream(),
"utf8"));
// 4、读取网络内容网络流BufferReader
String str = null;
// 5、创建输入流
BufferedWriter writer = new BufferedWriter(
new OutputStreamWriter(new
FileOutputStream(file, true)));
while ((str = reader.readLine()) != null) {
m_title = p_title.matcher(str.toString());
m_content = p_content.matcher(str.toString());
// 获取小说标题并写入本地文件
Boolean isEx = m_title.find();
if (isEx) {
String title = m_title.group();
// 清洗得到的数据
title = title.replace("<h1>", "").replace(
"</h1>", "");
System.out.println(title);
writer.write("第" + i + "章：" + title +
"\n");
}
while (m_content.find()) {
String content = m_content.group();
// 清洗得到的数据
content = content.replace("<p>", "")
.replace("</p>", "")
.replace("&nbsp;", "")
.replace("?", "");
// 把小说内容写入文件
writer.write(content + "\n");
}
}
System.out.println("第" + i + "章下载完成.........");
writer.write("\n\n");
writer.close();
reader.close();
} catch (Exception e) {
System.out.println("下载失败");
e.printStackTrace();
}
}
}
}