[JAVA] Jsoup爬虫(新笔趣网)

2023-10-07 19:50
文章标签 java 爬虫 jsoup 笔趣

本文主要是介绍[JAVA] Jsoup爬虫(新笔趣网),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

对新笔趣网的热门小说的爬取

技术选型:Springboot+jsoup

第一步:导入maven依赖
  <parent><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-parent</artifactId><version>2.1.2.RELEASE</version><relativePath/> <!-- lookup parent from repository --></parent><dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId><scope>test</scope></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-data-redis</artifactId></dependency><!--需要往数据库插入数据,打开注释即可--><!--<dependency>--><!--<groupId>mysql</groupId>--><!--<artifactId>mysql-connector-java</artifactId>--><!--</dependency>--><!--<dependency>--><!--<groupId>com.alibaba</groupId>--><!--<artifactId>druid-spring-boot-starter</artifactId>--><!--<version>1.1.10</version>--><!--</dependency>--><dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.11.2</version></dependency><!-- https://mvnrepository.com/artifact/net.sourceforge.htmlunit/htmlunit --><dependency><groupId>net.sourceforge.htmlunit</groupId><artifactId>htmlunit</artifactId><version>2.30</version></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId></dependency><dependency><groupId>org.apache.commons</groupId><artifactId>commons-lang3</artifactId></dependency><dependency><groupId>com.alibaba</groupId><artifactId>fastjson</artifactId><version>1.2.51</version></dependency></dependencies>
第二步:application.yml
# urls
book:biqu:## 笔趣阁的地址url: http://www.xbiquge.la/
第三步: 核心代码

爬虫接口 interface: CommonPuller 便于扩展

/*** @author zcp* @create 2019/12/17* @since 1.0.0*/
public interface CommonPuller{void pullNews();default Document getHtmlFromUrl(String url, boolean useHtmlUnit) throws Exception{if(!useHtmlUnit){//模拟火狐浏览器return Jsoup.connect(url).userAgent("Mozilla/4.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)").get();}else{WebClient webClient=new WebClient(BrowserVersion.CHROME);//javascriptwebClient.getOptions().setJavaScriptEnabled(true);//csswebClient.getOptions().setCssEnabled(false);//webClient.getOptions().setActiveXNative(false);webClient.getOptions().setThrowExceptionOnScriptError(false);webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);webClient.getOptions().setTimeout(10000);HtmlPage rootPage=null;try {rootPage = webClient.getPage(url);webClient.waitForBackgroundJavaScript(10000);String htmlString = rootPage.asXml();return Jsoup.parse(htmlString);}catch (Exception e){throw  e;}finally {webClient.close();}}}
}

例如要爬取笔趣阁,就创建一个BiQuPuller 实现这个接口,这里没有做插入数据库操作,自己根据情况构建实体类,将爬取到的内容封装进实体类,存入数据库

/*** @author zcp* @create 2019/12/17* @since 1.0.0*/
@Component("biQuPuller")
@Slf4j
public class BiQuPuller implements NewsPuller {@Value("${book.biqu.url}")private String url;@Overridepublic void pullNews() {log.info("开始拉取...");//1.获取首页Document html=null;try {html=getHtmlFromUrl(url, false);}catch (Exception e){log.error("拉取失败...url--->{}",url);return;}//获取首页中热点内容Elements hotBooks = html.select("div#main").select("div#hotcontent").select("div.l").select("a[href~=^http://www.xbiquge.*]");HashSet<String> urls=new HashSet<>();hotBooks.forEach(item->{//小说的地址String href = item.attr("href");urls.add(href);});//爬取每一个小说,这里爬取了一篇小说,就break了,如果需要多篇热门小说打开break即可for (String s : urls) {pull(s);break;}}/*** 爬取每一篇小说的章节**/public void pull(String surl){log.info("开始拉取...");//1.获取首页Document html=null;try {html=getHtmlFromUrl(surl, false);}catch (Exception e){log.error("拉取失败...url--->{}",surl);return;}Elements elements = html.select("div#list").select("dl").select("dd > a");HashSet<String> zhangjieUrl=new HashSet<>();elements.forEach(element -> {String href = element.attr("href");String title = element.text();  //章节标题//章节链接href=url+href;System.out.println(title+"     -->    "+href);zhangjieUrl.add(href);});//爬取小说里每一个章节,这里爬取了一个章节,就break了,如果需要多篇热门小说打开break即可for (String s : zhangjieUrl) {pullContent(s);break;}}/*** 爬取每一章节内容* @param contentUrl*/public void pullContent(String contentUrl){log.info("开始拉取...");Document html=null;try {html=getHtmlFromUrl(contentUrl, false);}catch (Exception e){log.error("拉取失败...url--->{}",contentUrl);return;}Elements content = html.select("div#content");
//        System.out.println(content);content.forEach(c->{//获取纯文字内容,不带标签  (章节内容)System.out.println(c.text());});}
}
第四步:测试

在这里插入图片描述

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

采用springboot test进行测试

@SpringBootTest
@RunWith(SpringRunner.class)
public class PullTest {@Autowired@Qualifier("biQuPuller")private CommonPuller biQuPuller;@Testpublic void testBiQu(){biQuPuller.pullNews();}
}
至此,爬虫的简单demo已经实现,核心还是在于对html页面标签的分析.

代码地址:https://github.com/itapechang/biqu-crawler.git 克隆下来直接在test包下运行即可

这篇关于[JAVA] Jsoup爬虫(新笔趣网)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/160058

相关文章

Java编译生成多个.class文件的原理和作用

《Java编译生成多个.class文件的原理和作用》作为一名经验丰富的开发者,在Java项目中执行编译后,可能会发现一个.java源文件有时会产生多个.class文件,从技术实现层面详细剖析这一现象... 目录一、内部类机制与.class文件生成成员内部类(常规内部类)局部内部类(方法内部类)匿名内部类二、

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

Springboot @Autowired和@Resource的区别解析

《Springboot@Autowired和@Resource的区别解析》@Resource是JDK提供的注解,只是Spring在实现上提供了这个注解的功能支持,本文给大家介绍Springboot@... 目录【一】定义【1】@Autowired【2】@Resource【二】区别【1】包含的属性不同【2】@

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖(即BeanA依赖BeanB,而BeanB又依赖BeanA),会导致Spring的... 目录1. 什么是循环依赖?2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1:使用 @La

Java枚举类实现Key-Value映射的多种实现方式

《Java枚举类实现Key-Value映射的多种实现方式》在Java开发中,枚举(Enum)是一种特殊的类,本文将详细介绍Java枚举类实现key-value映射的多种方式,有需要的小伙伴可以根据需要... 目录前言一、基础实现方式1.1 为枚举添加属性和构造方法二、http://www.cppcns.co

Elasticsearch 在 Java 中的使用教程

《Elasticsearch在Java中的使用教程》Elasticsearch是一个分布式搜索和分析引擎,基于ApacheLucene构建,能够实现实时数据的存储、搜索、和分析,它广泛应用于全文... 目录1. Elasticsearch 简介2. 环境准备2.1 安装 Elasticsearch2.2 J

Java中的String.valueOf()和toString()方法区别小结

《Java中的String.valueOf()和toString()方法区别小结》字符串操作是开发者日常编程任务中不可或缺的一部分,转换为字符串是一种常见需求,其中最常见的就是String.value... 目录String.valueOf()方法方法定义方法实现使用示例使用场景toString()方法方法

Java中List的contains()方法的使用小结

《Java中List的contains()方法的使用小结》List的contains()方法用于检查列表中是否包含指定的元素,借助equals()方法进行判断,下面就来介绍Java中List的c... 目录详细展开1. 方法签名2. 工作原理3. 使用示例4. 注意事项总结结论:List 的 contain

Java实现文件图片的预览和下载功能

《Java实现文件图片的预览和下载功能》这篇文章主要为大家详细介绍了如何使用Java实现文件图片的预览和下载功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... Java实现文件(图片)的预览和下载 @ApiOperation("访问文件") @GetMapping("

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis