springboot+webmagic實現(xiàn)java爬蟲jdbc及mysql的方法
更新時間：2018年08月19日 11:02:25 作者：*眉間緣*
今天小編就為大家分享一篇springboot+webmagic實現(xiàn)java爬蟲jdbc及mysql的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
前段時間需要爬取網(wǎng)頁上的信息，自己對于爬蟲沒有任何了解，就了解了一下webmagic，寫了個簡單的爬蟲。
一、首先介紹一下webmagic：
webmagic采用完全模塊化的設(shè)計，功能覆蓋整個爬蟲的生命周期(鏈接提取、頁面下載、內(nèi)容抽取、持久化)，支持多線程抓取，分布式抓取，并支持自動重試、自定義UA/cookie等功能。
實現(xiàn)理念：
Maven依賴：
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-core</artifactId>
<version>0.7.3</version>
</dependency>
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-extension</artifactId>
<version>0.7.3</version>
</dependency>
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-extension</artifactId>
<version>0.7.3</version>
<exclusions>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
</exclusion>
</exclusions>
</dependency>
jdbc模式：
ublic class CsdnBlogDao {
private Connection conn = null;
private Statement stmt = null;
public CsdnBlogDao() {
try {
Class.forName("com.mysql.jdbc.Driver");
String url = "jdbc:mysql://localhost:3306/test?"
+ "user=***&password=***3&useUnicode=true&characterEncoding=UTF8";
conn = DriverManager.getConnection(url);
stmt = conn.createStatement();
} catch (ClassNotFoundException e) {
e.printStackTrace();
} catch (SQLException e) {
e.printStackTrace();
}
}
public int add(CsdnBlog csdnBlog) {
try {
String sql = "INSERT INTO `test`.`csdnblog` (`keyes`, `titles`, `content` , `dates`, `tags`, `category`, `views`, `comments`, `copyright`) VALUES (?, ?, ?, ?, ?, ?, ?, ?,?);";
PreparedStatement ps = conn.prepareStatement(sql);
ps.setInt(1, csdnBlog.getKey());
ps.setString(2, csdnBlog.getTitle());
ps.setString(3,csdnBlog.getContent());
ps.setString(4, csdnBlog.getDates());
ps.setString(5, csdnBlog.getTags());
ps.setString(6, csdnBlog.getCategory());
ps.setInt(7, csdnBlog.getView());
ps.setInt(8, csdnBlog.getComments());
ps.setInt(9, csdnBlog.getCopyright());
return ps.executeUpdate();
} catch (SQLException e) {
e.printStackTrace();
}
return -1;
}
}
實體類：
public class CsdnBlog {
private int key;// 編號
private String title;// 標題
private String dates;// 日期
private String tags;// 標簽
private String category;// 分類
private int view;// 閱讀人數(shù)
private int comments;// 評論人數(shù)
private int copyright;// 是否原創(chuàng)
private String content; //文字內(nèi)容
public String getContent() {
return content;
}
public void setContent(String content) {
this.content = content;
}
public int getKey() {
return key;
}
public void setKey(int key) {
this.key = key;
}
public String getTitle() {
return title;
}
public void setTitle(String title) {
this.title = title;
}
public String getDates() {
return dates;
}
public void setDates(String dates) {
this.dates = dates;
}
public String getTags() {
return tags;
}
public void setTags(String tags) {
this.tags = tags;
}
public String getCategory() {
return category;
}
public void setCategory(String category) {
this.category = category;
}
public int getView() {
return view;
}
public void setView(int view) {
this.view = view;
}
public int getComments() {
return comments;
}
public void setComments(int comments) {
this.comments = comments;
}
public int getCopyright() {
return copyright;
}
public void setCopyright(int copyright) {
this.copyright = copyright;
}
@Override
public String toString() {
return "CsdnBlog [key=" + key + ", title=" + title + ", content=" + content + ",dates=" + dates + ", tags=" + tags + ", category="
+ category + ", view=" + view + ", comments=" + comments + ", copyright=" + copyright + "]";
}
}
啟動類：
public class CsdnBlogPageProcessor implements PageProcessor {
private static String username="CHENYUFENG1991"; // 設(shè)置csdn用戶名
private static int size = 0;// 共抓取到的文章數(shù)量
// 抓取網(wǎng)站的相關(guān)配置，包括：編碼、抓取間隔、重試次數(shù)等
private Site site = Site.me().setRetryTimes(3).setSleepTime(1000);
public Site getSite() {
return site;
}
// process是定制爬蟲邏輯的核心接口，在這里編寫抽取邏輯
public void process(Page page) {
// 列表頁
if (!page.getUrl().regex("http://blog\\.csdn\\.net/" + username + "/article/details/\\d+").match()) {
// 添加所有文章頁
page.addTargetRequests(page.getHtml().xpath("http://div[@id='article_list']").links()// 限定文章列表獲取區(qū)域
.regex("/" + username + "/article/details/\\d+")
.replace("/" + username + "/", "http://blog.csdn.net/" + username + "/")// 巧用替換給把相對url轉(zhuǎn)換成絕對url
.all());
// 添加其他列表頁
page.addTargetRequests(page.getHtml().xpath("http://div[@id='papelist']").links()// 限定其他列表頁獲取區(qū)域
.regex("/" + username + "/article/list/\\d+")
.replace("/" + username + "/", "http://blog.csdn.net/" + username + "/")// 巧用替換給把相對url轉(zhuǎn)換成絕對url
.all());
// 文章頁
} else {
size++;// 文章數(shù)量加1
// 用CsdnBlog類來存抓取到的數(shù)據(jù)，方便存入數(shù)據(jù)庫
CsdnBlog csdnBlog = new CsdnBlog();
// 設(shè)置編號
csdnBlog.setKey(Integer.parseInt(
page.getUrl().regex("http://blog\\.csdn\\.net/" + username + "/article/details/(\\d+)").get()));
// 設(shè)置標題
csdnBlog.setTitle(
page.getHtml().xpath("http://div[@class='article_title']//span[@class='link_title']/a/text()").get());
//設(shè)置內(nèi)容
csdnBlog.setContent(
page.getHtml().xpath("http://div[@class='article_content']/allText()").get());
// 設(shè)置日期
csdnBlog.setDates(
page.getHtml().xpath("http://div[@class='article_r']/span[@class='link_postdate']/text()").get());
// 設(shè)置標簽（可以有多個，用,來分割）
csdnBlog.setTags(listToString(page.getHtml().xpath("http://div[@class='article_l']/span[@class='link_categories']/a/allText()").all()));
// 設(shè)置類別（可以有多個，用,來分割）
csdnBlog.setCategory(listToString(page.getHtml().xpath("http://div[@class='category_r']/label/span/text()").all()));
// 設(shè)置閱讀人數(shù)
csdnBlog.setView(Integer.parseInt(page.getHtml().xpath("http://div[@class='article_r']/span[@class='link_view']")
.regex("(\\d+)人閱讀").get()));
// 設(shè)置評論人數(shù)
csdnBlog.setComments(Integer.parseInt(page.getHtml()
.xpath("http://div[@class='article_r']/span[@class='link_comments']").regex("\\((\\d+)\\)").get()));
// 設(shè)置是否原創(chuàng)
csdnBlog.setCopyright(page.getHtml().regex("bog_copyright").match() ? 1 : 0);
// 把對象存入數(shù)據(jù)庫
new CsdnBlogDao().add(csdnBlog);
// 把對象輸出控制臺
System.out.println(csdnBlog);
}
}
// 把list轉(zhuǎn)換為string，用,分割
public static String listToString(List<String> stringList) {
if (stringList == null) {
return null;
}
StringBuilder result = new StringBuilder();
boolean flag = false;
for (String string : stringList) {
if (flag) {
result.append(",");
} else {
flag = true;
}
result.append(string);
}
return result.toString();
}
public static void main(String[] args) {
long startTime, endTime;
System.out.println("【爬蟲開始】...");
startTime = System.currentTimeMillis();
// 從用戶博客首頁開始抓，開啟5個線程，啟動爬蟲
Spider.create(new CsdnBlogPageProcessor()).addUrl("http://blog.csdn.net/" + username).thread(5).run();
endTime = System.currentTimeMillis();
System.out.println("【爬蟲結(jié)束】共抓取" + size + "篇文章，耗時約" + ((endTime - startTime) / 1000) + "秒，已保存到數(shù)據(jù)庫，請查收！");
}
}
使用mysql類型：
public class GamePageProcessor implements PageProcessor {
private static final Logger logger = LoggerFactory.getLogger(GamePageProcessor.class);
private static DianJingService d;
private static BannerService bs;
private static SportService ss;
private static YuLeNewsService ys;
private static UpdateService ud ;
// 抓取網(wǎng)站的相關(guān)配置，包括：編碼、抓取間隔、重試次數(shù)等
private Site site = Site.me().setRetryTimes(3).setSleepTime(1000);
public Site getSite() {
return site;
}
// process是定制爬蟲邏輯的核心接口，在這里編寫抽取邏輯
public static void main(String[] args) {
ConfigurableApplicationContext context= SpringApplication.run(GamePageProcessor.class, args);
d = context.getBean(DianJingService.class);
//Spider.create(new GamePageProcessor()).addUrl("網(wǎng)址").thread(5).run();
}
public void process(Page page) {
Selectable url = page.getUrl();
if (url.toString().equals("網(wǎng)址")) {
DianJingVideo dv = new DianJingVideo();
List<String> ls = page.getHtml().xpath("http://div[@class='v']/div[@class='v-meta va']/div[@class='v-meta-title']/a/text()").all();
//hrefs
List<String> ls1 = page.getHtml().xpath("http://div[@class='v']/div[@class='v-link']/a/@href").all();//獲取a標簽的href
List<String> ls2 = page.getHtml().xpath("http://div[@class='v']/div[@class='v-meta va']/div[@class='v-meta-entry']/div[@class='v-meta-data']/span[@class='r']/text()").all();
//photo
List<String> ls3 = page.getHtml().xpath("http://div[@class='v']/div[@class='v-thumb']/img/@src").all();
for (int i = 0; i < 5; i++) {
dv.setTitles(ls.get(i));
dv.setCategory("");
dv.setDates(ls2.get(i));
dv.setHrefs(ls1.get(i));
dv.setPhoto(ls3.get(i));
dv.setSources("");
d.addVideo(dv);
}
}
}
Controller：
@Controller
@RequestMapping(value = "/dianjing")
public class DianJingController {
@Autowired
private DianJingService s;
/*
手游
*/
@RequestMapping("/dianjing")
@ResponseBody
public Object dianjing(){
List<DianJing> list = s.find2();
JSONObject jo = new JSONObject();
if(list!=null){
jo.put("code",0);
jo.put("success",true);
jo.put("count",list.size());
jo.put("list",list);
}
return jo;
}
}
實體類就不展示了
dao層
@Insert("insert into dianjing (titles,dates,category,hrefs,photo,sources) values(#{titles},#{dates},#{category},#{hrefs},#{photo},#{sources})")
int adddj(DianJing dj);
以上這篇springboot+webmagic實現(xiàn)java爬蟲jdbc及mysql的方法就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關(guān)文章
本篇文章主要介紹了SpringBoot返回json和xml的示例代碼，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-04-04
Java8中新特性O(shè)ptional、接口中默認方法和靜態(tài)方法詳解
Java 8 已經(jīng)發(fā)布很久了，很多報道表明Java 8 是一次重大的版本升級。下面這篇文章主要給大家介紹了關(guān)于Java8中新特性O(shè)ptional、接口中默認方法和靜態(tài)方法的相關(guān)資料，文中通過示例代碼介紹的非常詳細，需要的朋友可以參考下。2017-12-12
本文主要介紹了SpringEL表達式的使用，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-07-07
Java中wait與sleep的區(qū)別講解(wait有參及無參區(qū)別)
這篇文章主要介紹了Java中wait與sleep的講解(wait有參及無參區(qū)別),通過代碼介紹了wait()?與wait(?long?timeout?)?區(qū)別，wait(0)?與?sleep(0)區(qū)別，需要的朋友可以參考下2022-04-04
springboot啟動腳本start.sh和停止腳本 stop.sh的詳細教程
這篇文章主要介紹了springboot啟動腳本start.sh和停止腳本 stop.sh的詳細教程,本文給大家介紹的非常詳細，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下2020-08-08
java面向?qū)ο笤O(shè)計原則之迪米特法則分析詳解
這篇文章主要為大家介紹了java面向?qū)ο笤O(shè)計原則之迪米特法則的示例分析詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，學(xué)有所得2021-10-10
這篇文章主要介紹了Java跨平臺原理與虛擬機的相關(guān)資料，幫助大家更好的理解和學(xué)習(xí)使用Java，感興趣的朋友可以了解下2021-03-03
spring+mybatis 通過@ResponseBody返回結(jié)果中文亂碼的解決方法
下面小編就為大家分享一篇spring+mybatis 通過@ResponseBody返回結(jié)果中文亂碼的解決方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2017-12-12
springboot過濾器執(zhí)行兩次的解決及跨域過濾器問題
這篇文章主要介紹了springboot過濾器執(zhí)行兩次的解決及跨域過濾器問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-12-12
深入淺析Netty 在 Dubbo 中是如何應(yīng)用的
國內(nèi)知名框架 Dubbo 底層使用的是 Netty 作為網(wǎng)絡(luò)通信，那么內(nèi)部到底是如何使用的呢？今天通過本文給大家詳細講解，對Netty 在 Dubbo中應(yīng)用相關(guān)知識感興趣的朋友跟隨小編一起看看吧2020-05-05