首页 > 数据库 >JAVA爬虫爬取网页数据数据库中,并且去除重复数据

JAVA爬虫爬取网页数据数据库中,并且去除重复数据

时间：2022-11-30 16:08:20浏览次数：38  
标签：JAVA String java 爬虫 爬取 org import logger response


pom文件

<!-- 添加Httpclient支持 -->
    <dependency>
        <groupId>org.apache.httpcomponents</groupId>
        <artifactId>httpclient</artifactId>
        <version>4.5.2</version>
    </dependency>

    <!-- 添加jsoup支持 -->
    <dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>1.10.1</version>
    </dependency>

    <dependency>
        <groupId>log4j</groupId>
        <artifactId>log4j</artifactId>
        <version>1.2.16</version>
    </dependency>

        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.44</version>
        </dependency>

        <!-- 添加Httpclient支持 -->
        <dependency>
            <groupId>org.apache.httpcomponents</groupId>
            <artifactId>httpclient</artifactId>
            <version>4.5.2</version>
        </dependency>




        <!-- 添加日志支持 -->
        <dependency>
            <groupId>log4j</groupId>
            <artifactId>log4j</artifactId>
            <version>1.2.16</version>
        </dependency>

        <!-- 添加ehcache支持 -->
        <dependency>
            <groupId>net.sf.ehcache</groupId>
            <artifactId>ehcache</artifactId>
            <version>2.10.3</version>
        </dependency>

        <!-- 添加commons io支持 -->
        <dependency>
            <groupId>commons-io</groupId>
            <artifactId>commons-io</artifactId>
            <version>2.5</version>
        </dependency>

Ehcache.xml

<?xml version="1.0" encoding="UTF-8"?>

<ehcache>
   <!-- 
         磁盘存储:将缓存中暂时不使用的对象,转移到硬盘,类似于Windows系统的虚拟内存
          path:指定在硬盘上存储对象的路径
   -->
   <diskStore path="E:\Temp\ReptileCache" />
   
   <!-- 
        defaultCache:默认的缓存配置信息,如果不加特殊说明,则所有对象按照此配置项处理
        maxElementsInMemory:设置了缓存的上限,最多存储多少个记录对象
        eternal:代表对象是否永不过期
        overflowToDisk:当内存中Element数量达到maxElementsInMemory时，Ehcache将会Element写到磁盘中
   -->
   <defaultCache
      maxElementsInMemory="1"
      eternal="true"
      overflowToDisk="true"/>

    <cache 
      name="cnblog"
      maxElementsInMemory="1"
      diskPersistent="true"
      eternal="true"
      overflowToDisk="true"/>
      
  

</ehcache>

crawler.properties   配置数据信息和文件路径

dbUrl=jdbc:mysql://localhost:3306/db_blogs?characterEncoding=UTF-8
dbUserName=数据库名
dbPassword=密码
jdbcName=com.mysql.jdbc.Driver
ehcacheXmlPath=ehcache.xml
#图片存放路径
blogImages=E://Temp/blogImages/

日志文件    log4j.properties

log4j.rootLogger=INFO, stdout,D  
  
#Console  
log4j.appender.stdout=org.apache.log4j.ConsoleAppender  
log4j.appender.stdout.Target = System.out
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout  
#log4j.appender.stdout.layout.ConversionPattern=[%-5p] %d{yyyy-MM-dd HH:mm:ss,SSS} method:%l%n%m%n

#D
log4j.appender.D = org.apache.log4j.RollingFileAppender
log4j.appender.D.File = E://Temp/log4j/crawler/log.log
log4j.appender.D.MaxFileSize=100KB
log4j.appender.D.MaxBackupIndex=100  
log4j.appender.D.Append = true
log4j.appender.D.layout = org.apache.log4j.PatternLayout
log4j.appender.D.layout.ConversionPattern = %-d{yyyy-MM-dd HH:mm:ss}  [ %t:%r ] - [ %p ]  %m%n

然后是要用到的几个帮助类

package com.hw.util;

import java.text.SimpleDateFormat;
import java.util.Date;

/**
 * 日期工具类
 * @author user
 *
 */
public class DateUtil {

  /**
   * 获取当前年月日路径
   * @return
   * @throws Exception
   */
  public static String getCurrentDatePath()throws Exception{
    Date date=new Date();
    SimpleDateFormat sdf=new SimpleDateFormat("yyyy/MM/dd");
    return sdf.format(date);
  }
  
  public static void main(String[] args) {
    try {
      System.out.println(getCurrentDatePath());
    } catch (Exception e) {
      // TODO Auto-generated catch block
      e.printStackTrace();
    }
  }
}






package com.hw.util;

import java.sql.Connection;
import java.sql.DriverManager;

/**
 * 数据库工具类
 * @author user
 *
 */
public class DbUtil {

  /**
   * 获取连接
   * @return
   * @throws Exception
   */
  public Connection getCon()throws Exception{
    Class.forName(PropertiesUtil.getValue("jdbcName"));
    Connection con=DriverManager.getConnection(PropertiesUtil.getValue("dbUrl"), PropertiesUtil.getValue("dbUserName"), PropertiesUtil.getValue("dbPassword"));
    return con;
  }
  
  /**
   * 关闭连接
   * @param con
   * @throws Exception
   */
  public void closeCon(Connection con)throws Exception{
    if(con!=null){
      con.close();
    }
  }
  
  public static void main(String[] args) {
    DbUtil dbUtil=new DbUtil();
    try {
      dbUtil.getCon();
      System.out.println("数据库连接成功");
    } catch (Exception e) {
      // TODO Auto-generated catch block
      e.printStackTrace();
      System.out.println("数据库连接失败");
    }
  }
}






package com.hw.util;

import java.io.IOException;
import java.io.InputStream;
import java.util.Properties;

/**
 * properties工具类
 * @author user
 *
 */
public class PropertiesUtil {

  /**
   * 根据key获取value值
   * @param key
   * @return
   */
  public static String getValue(String key){
    Properties prop=new Properties();
    InputStream in=new PropertiesUtil().getClass().getResourceAsStream("/crawler.properties");
    try {
      prop.load(in);
    } catch (IOException e) {
      // TODO Auto-generated catch block
      e.printStackTrace();
    }
    return prop.getProperty(key);
  }
}

爬取网页类

package com.hw.crawler;

import com.hw.util.DateUtil;
import com.hw.util.DbUtil;
import com.hw.util.PropertiesUtil;

import net.sf.ehcache.Cache;
import net.sf.ehcache.CacheManager;
import net.sf.ehcache.Status;

import org.apache.commons.io.FileUtils;
import org.apache.http.HttpEntity;
import org.apache.http.client.ClientProtocolException;
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.util.EntityUtils;
import org.apache.log4j.Logger;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.File;
import java.io.IOException;
import java.sql.Connection;
import java.sql.PreparedStatement;
import java.sql.SQLException;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.LinkedList;
import java.util.List;
import java.util.Map;
import java.util.Set;
import java.util.UUID;

/**
 * @program: Maven
 * @description: 爬虫类
 * @author: hw
 * @create: 2018-12-03 20:12
 **/
public class BlogCrawlerStarter {
    //单次启动爬取的数据量
    private static int index=0;
    //日志
    private static Logger logger = Logger.getLogger(BlogCrawlerStarter.class);
    //爬取的网址
    private static String HOMEURL = "随你";
    private static CloseableHttpClient httpClient;
    //数据库
    private static Connection con;
    //缓存
    private static CacheManager cacheManager;
    private static Cache cache;

    /**
     * @Description: httpclient解析首页
     * @Param: []
     * @return: void
     * @Author: hw
     * @Date: 2018/12/3
     */
    public static void parseHomePage() throws IOException {
        logger.info("开始爬取首页" + HOMEURL);
        //创建缓存
        cacheManager = CacheManager.create(PropertiesUtil.getValue("ehcacheXmlPath"));
        //缓存槽
        cache = cacheManager.getCache("cnblog");


        //比作一个浏览器
        httpClient = HttpClients.createDefault();
        HttpGet httpGet = new HttpGet(HOMEURL);
        //设置相应时间和等待时间
        RequestConfig config = RequestConfig.custom().setConnectTimeout(5000).setSocketTimeout(8000).build();
        httpGet.setConfig(config);

        CloseableHttpResponse response = null;
        try {
            response = httpClient.execute(httpGet);
            //如果为空
            if (response == null) {
                logger.info(HOMEURL + "爬取无响应");
                return;
            }
            //状态正常
            if (response.getStatusLine().getStatusCode() == 200) {
                //网络实体
                HttpEntity entity = response.getEntity();
                String s = EntityUtils.toString(entity, "utf-8");
//                System.out.println(s);
                parseHomePageContent(s);
            }

        } catch (ClientProtocolException e) {
            logger.error(HOMEURL + "-ClientProtocolException", e);
        } catch (IOException e) {
            logger.error(HOMEURL + "-IOException", e);
        } finally {
            //关闭
            if (response != null) {
                response.close();
            }
            if (httpClient != null) {
                httpClient.close();
            }
        }

        if (cache.getStatus() == Status.STATUS_ALIVE) {
            cache.flush();
        }
        cacheManager.shutdown();
        logger.info("结束" + HOMEURL);
    }


    /**
     * @Description: 通过网络爬虫框架jsoup, 解析网页内容, 获取想要的数据(博客的标题, 博客的链接)
     * @Param: [s]
     * @return: void
     * @Author: hw
     * @Date: 2018/12/3
     */
    private static void parseHomePageContent(String s) {
        Document doc = Jsoup.parse(s);
        //查找该内容下的a标签
        Elements select = doc.select("#feedlist_id .list_con .title h2 a");
        for (Element element : select) {
            //博客链接
            String href = element.attr("href");
            if (href == null || href.equals("")) {
                logger.error("博客为空,不再爬取");
                continue;
            }
            //当缓存有这条数据
            if (cache.get(href) != null) {
                logger.info("该数据已经被爬取到数据库中,不再添加,本次已爬取"+index+"个");
                continue;
            }

            //通过博客链接获取博客内容
            parseBlogUrl(href);
        }
    }

    /**
     * @Description: 通过博客链接获取博客内容
     * @Param: [href]
     * @return: void
     * @Author: hw
     * @Date: 2018/12/3
     */
    private static void parseBlogUrl(String blogUrl) {
        logger.info("开始爬取博客网页" + blogUrl);
        //比作一个浏览器
        httpClient = HttpClients.createDefault();
        HttpGet httpGet = new HttpGet(blogUrl);
        //设置相应时间和等待时间
        RequestConfig config = RequestConfig.custom().setConnectTimeout(5000).setSocketTimeout(8000).build();
        httpGet.setConfig(config);

        CloseableHttpResponse response = null;
        try {
            response = httpClient.execute(httpGet);
            //如果为空
            if (response == null) {
                logger.info(blogUrl + "爬取无响应");
                return;
            }
            //状态正常
            if (response.getStatusLine().getStatusCode() == 200) {
                //网络实体
                HttpEntity entity = response.getEntity();
                String blogContent = EntityUtils.toString(entity, "utf-8");
                parseBlogContent(blogContent, blogUrl);
            }

        } catch (ClientProtocolException e) {
            logger.error(blogUrl + "-ClientProtocolException", e);
        } catch (IOException e) {
            logger.error(blogUrl + "-IOException", e);
        } finally {
            //关闭
            if (response != null) {
                try {
                    response.close();
                } catch (IOException e) {
                    logger.error(blogUrl + "-IOException", e);
                }
            }

        }

        logger.info("结束博客网页" + HOMEURL);
    }

    /**
     * @Description: 解析博客内容, 获取博客的标题和所有内容
     * @Param: [blogContent]
     * @return: void
     * @Author: hw
     * @Date: 2018/12/3
     */
    private static void parseBlogContent(String blogContent, String Url) throws IOException {
        Document parse = Jsoup.parse(blogContent);
        //标题
        Elements title = parse.select("#mainBox main .blog-content-box .article-header-box .article-header .article-title-box h1");
        if (title.size() == 0) {
            logger.info("博客标题为空,不加入数据库");
            return;
        }
        //标题
        String titles = title.get(0).html();
        //内容
        Elements content_views = parse.select("#content_views");
        if (content_views.size() == 0) {
            logger.info("内容为空,不加入数据库");
            return;
        }
        //内容
        String content = content_views.get(0).html();
        //图片
//        Elements imgele = parse.select("img");
//        List<String> imglist = new LinkedList<>();
//        if (imgele.size() >= 0) {
//            for (Element element : imgele) {
//                //图片链接加入集合
//                imglist.add(element.attr("src"));
//            }
//        }
//
//        if (imglist.size() > 0) {
//            Map<String, String> replaceUrlMap = DownLoadImgList(imglist);
//            blogContent = replaceContent(blogContent, replaceUrlMap);
//        }


        String sql = "insert into t_article values(null,?,?,null,now(),0,0,null,?,0,null)";
        try {
            PreparedStatement ps = con.prepareStatement(sql);
            ps.setObject(1, titles);
            ps.setObject(2, content);
            ps.setObject(3, Url);
            if (ps.executeUpdate() == 0) {
                logger.info("爬取博客信息插入数据库失败");
            } else {
                index++;
                //加入缓存
                cache.put(new net.sf.ehcache.Element(Url, Url));
                logger.info("爬取博客信息插入数据库成功,本次已爬取"+index+"个");
            }
        } catch (SQLException e) {
            e.printStackTrace();
        }

    }

    /**
     * @Description: 将别人的博客内容进行加工, 将原有的图片地址换成本地的图片
     * @Param: [blogContent, replaceUrlMap]
     * @return: java.lang.String
     * @Author: hw
     * @Date: 2018/12/3
     */
    private static String replaceContent(String blogContent, Map<String, String> replaceUrlMap) {
        Set<Map.Entry<String, String>> entries = replaceUrlMap.entrySet();
        for (Map.Entry<String, String> entry : entries) {
            blogContent = blogContent.replace(entry.getKey(), entry.getValue());

        }
        return blogContent;
    }


    /**
     * @Description:爬取图片本地化
     * @Param: [imglist]
     * @return: java.util.Map<java.lang.String                               ,                               java.lang.String>
     * @Author: hw
     * @Date: 2018/12/3
     */
//    private static Map<String, String> DownLoadImgList(List<String> imglist) throws IOException {
//        Map<String, String> replaceMap = new HashMap<>();
//        for (String imgurl : imglist) {
//            //比作一个浏览器
//            CloseableHttpClient httpClient = HttpClients.createDefault();
//            HttpGet httpGet = new HttpGet(imgurl);
//            //设置相应时间和等待时间
//            RequestConfig config = RequestConfig.custom().setConnectTimeout(5000).setSocketTimeout(8000).build();
//            httpGet.setConfig(config);
//            CloseableHttpResponse response = null;
//            try {
//                response = httpClient.execute(httpGet);
//                //如果为空
//                if (response == null) {
//                    logger.info(HOMEURL + "爬取无响应");
//                } else {
//                    //状态正常
//                    if (response.getStatusLine().getStatusCode() == 200) {
//                        //网络实体
//                        HttpEntity entity = response.getEntity();
//                        //存放图片地址
//                        String blogImages = PropertiesUtil.getValue("blogImages");
//                        //生成日期   按天生成文件夹
//                        String data = DateUtil.getCurrentDatePath();
//                        String uuid = UUID.randomUUID().toString();
//                        //截取图片名
//                        String subfix = entity.getContentType().getValue().split("/")[1];
//                        //最后生成路径名
//                        String fileName = blogImages + data + "/" + uuid + "." + subfix;
//
//                        FileUtils.copyInputStreamToFile(entity.getContent(), new File(fileName));
//                        //imgurl为别人的文件地址,filename为本地图片地址
//                        replaceMap.put(imgurl, fileName);
//                    }
//                }
//
//            } catch (ClientProtocolException e) {
//                logger.error(imgurl + "-ClientProtocolException", e);
//            } catch (IOException e) {
//                logger.error(imgurl + "-IOException", e);
//            } catch (Exception e) {
//                logger.error(imgurl + "-Exception", e);
//            } finally {
//                //关闭
//                if (response != null) {
//                    response.close();
//                }
//
//            }
//
//        }
//        return replaceMap;
//    }


    /**
     * @Description: 开始执行
     * @Param: []
     * @return: void
     * @Author: hw
     * @Date: 2018/12/3
     */
    public static void start() {
        while (true) {
            DbUtil dbUtil = new DbUtil();
            try {
                //连接数据库
                con = dbUtil.getCon();
                parseHomePage();
            } catch (Exception e) {
                logger.error("数据库连接失败");
            } finally {
                if (con != null) {
                    try {
                        con.close();
                    } catch (SQLException e) {
                        logger.info("数据异常", e);
                    }
                }
            }
            try {
                //x分钟爬取一次
                Thread.sleep(1000 * 45*1);
            } catch (InterruptedException e) {
                logger.info("线程休眠异常", e);
            }
        }

    }


    public static void main(String[] args) {
        start();
        List list=new ArrayList();
        list.iterator();
    }
}

效果图:

JAVA爬虫爬取网页数据数据库中,并且去除重复数据_JAVA爬虫

标签：JAVA,String,java,爬虫,爬取,org,import,logger,response
From： https://blog.51cto.com/u_15897407/5899830

相关文章

  • 「Java数据结构」- 栈和队列
    栈的认识========栈：一种特殊的线性表，其只允许在固定的一端进行插入和删除元素操作。进行数据插入和删除操作的一端称为栈顶，另一端称为栈底。压栈：栈的插入操作叫做进栈/......
  • Java-根据父级id将List结构转Tree结构
    1.方法一:List的stream()方法publicResultDataqueryMenuList(){//获取所有数据ListList<MenuVo>list=MenuDao.queryMenuList();//通过list.s......
  • java项目中使用oshi搭建监控系统
    官网地址:​​https://github.com/oshi/oshi​​首先引入jar包<dependency><groupId>com.github.oshi</groupId><artifactId>oshi-core</artifact......
  • JAVA规定时间循环定时执行某个任务
    在我们做web项目的时候有些需求需要我们定时每周每天执行什么任务,这里给大家介绍一种方式,我就直接贴代码web.xml<listener><listener-class>com.hw.util.BeginRun......
  • [JavaScript] 自顶向下学习如何手写promise
    引子去年写了一篇有关promise的手写文章，写到一半发现自己的理解还不是很透彻，写的很烂，今年卷土重来，实现部分采用功能分解，目录跳转的形式呈现，力求最通俗易懂得剖析promise，我......
  • Java生成帮助文档
    在要生成帮助文档的目录下打开cmd   输入javadoc-encodingUTF-8-charrsetUTF-8要生成的Java文件  在生成的文件中打开index.html......
  • Java基础
    注释平时我们编写代码，在代码量很少时，我们还可以看懂自己写的，但当项目结构一旦复杂起来，我们就需要用到注释了注释并不会被执行，是给我们写代码的人看的书写注释是......
  • Java基础----内部类
    内部类分为1.成员内部类2.静态内部类3.局部内部类4.匿名内部类内部类概念：在一个类的内部再定义一个类特点：编译之后可以独立生成独立的字节码文件内部类可以......
  • java并发编程（二十二）-并发安全的基本概念
    类的线程安全定义  如果多线程下使用这个类，不过多线程如何使用和调度这个类，这个类总是表示出正确的行为，这个类就是线程安全的。类的线程安全表现为：操作的原子性内存的可见......
  • java并发编程（二十三）-并发安全之死锁
    死锁资源一定是多于1个，同时小于等于竞争的线程数，资源只有一个，只会产生激烈的竞争。死锁的根本成因：获取锁的顺序不一致导致。 死锁的一般情况：packagecom.caojiulu;importc......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99