使用Jsoup包抓取豆瓣Top250电影信息

2023-11-26 09:40

本文主要是介绍使用Jsoup包抓取豆瓣Top250电影信息,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!

Java制作爬虫程序主要用到的网页解析工具Jsoup,而在Python使用的是漂亮汤,Jsoup能向JS和JQuery一样获取网页文件的模型(dom),是解析网页文件的有力工具,使用方法见:Jsoup详解(一)——Jsoup详解

Jsoup的使用方法和JS基本相同,进入豆瓣Top250界面:


找到链接地址:

String[] url=new String[25];//进入Top250的界面,抓取单个电影的网址Document document=Jsoup.connect("https://movie.douban.com/top250?start="+j*25).get();Elements bd=document.select("div.hd");for(int i=0;i<bd.size();i++){Elements info=bd.get(i).select("a[href]");url[i]=info.attr("href");}return url;

节这我们需要一个函数,向这个函数传递URL后可以获得网页的全部信息。
如果文本在标签之内,选择这个标签后,text方法提取文本即可,如果不在,比如,在<br>之前,这样的内容属于文本节点,可找邻近的节点,然后使用nextSibling()等方法获得文本节点。需要注意的是:
1、Document:文件对象模型(dom)
2、Elements:元素对象集合
3、Node:节点对象
这三者从大到小排列,一般的节点对象没有text方法,用outhtml方法获取它的值,除了文本节点。

//抓取电影名String name=document.select("span[property=v:itemreviewed]").text();info[0]=name;//抓取导演名String director=document.select("a[rel='v:directedBy']").text();info[1]=director;//抓取编剧String pl=document.select("span.attrs").get(1).text();info[2]=pl;//抓取演员名String actor=document.select("span.attrs").get(2).text();info[3]=actor;//抓取电影类型String type=document.select("span[property='v:genre']").text();info[4]=type;//对是否含有官方网站进行讨论int i=4;if(document.select("span.pl").get(i).text().contains("官方网站")){i++;}//抓取产地国家,它的内容是国家标签的下一个节点String country=document.select("span.pl").get(i).nextSibling().outerHtml();info[5]=country;//抓取语言String lan=document.select("span.pl").get(i+1).nextSibling().outerHtml();info[6]=lan;//抓取时长String runTime=document.select("span[property='v:runtime']").text();info[7]=runTime;//抓取别名String otherName=document.select("span.pl").get(i+4).nextSibling().outerHtml();info[8]=otherName;//抓取评价人数String peoNum=document.select("span[property='v:votes']").text();info[9]=peoNum;//抓取介绍String intro=document.getElementById("link-report").text();info[10]=intro;

这里是抓取豆瓣电影信息的过程




抓取信息后,我们将其放入一个表格中,这里使用的是poi包,它抓门用来处理文档,docx,xlsx等。

private static void writeRow(int i ,String[] row,File file) throws InvalidFormatException, IOException{Workbook workBook=new XSSFWorkbook(new FileInputStream(file));//获得Top250Sheet,前提是有这个sheet,没有会报错Sheet sheet=workBook.getSheet("Top250");Row r=sheet.createRow(i);for(int k=0;k<row.length;k++){r.createCell(k).setCellValue(row[k]);}//将数据写进表格workBook.write(new FileOutputStream(file));}

对每一页遍历,即可获取所有电影的网址
总的代码如下

package spider;import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;import org.apache.poi.openxml4j.exceptions.InvalidFormatException;
import org.apache.poi.ss.usermodel.Row;
import org.apache.poi.ss.usermodel.Sheet;
import org.apache.poi.ss.usermodel.Workbook;
import org.apache.poi.xssf.usermodel.XSSFWorkbook;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;public class DoubanTop250 
{public static void main(String[] args) throws InterruptedException, IOException, InvalidFormatException {File file=new File("Top250.xlsx");//写好表格标题String[] title= {"电影名","导演","编剧","演员","类型","国家","语言","时长","别名","评价人数","简介"};writeRow(0,title,file);//遍历,抓取Top250电影信息for(int k=0	;k<10;k++) {//抓取每页所有电影的网址String[] url=getMovieUrl(k);
//		String item=url[0];
//		System.out.println(getInfos(item)[8]);for(int i=0;i<=24;i++){String[] list =getInfos(url[i]);//防止豆瓣把你IP禁了Thread.sleep(500);writeRow(i+1+k*25,list, file);}}}//抓取每个电影的链接的函数private static String[] getMovieUrl(int j) throws IOException{String[] url=new String[25];//进入Top250的界面,抓取单个电影的网址Document document=Jsoup.connect("https://movie.douban.com/top250?start="+j*25).header("user-agent", "Chrome").get();Elements bd=document.select("div.hd");for(int i=0;i<bd.size();i++){Elements info=bd.get(i).select("a[href]");url[i]=info.attr("href");}return url;}//获取每个电影的信息,使用的是Jsoup包private static String[] getInfos(String url) {//豆瓣电影这个界面十分复杂,情况很多try{Document document=Jsoup.connect(url).get();String info[]=new String[11];//抓取电影名String name=document.select("span[property=v:itemreviewed]").text();info[0]=name;//抓取导演名String director=document.select("a[rel='v:directedBy']").text();info[1]=director;//抓取编剧int j=1;if(document.select("span.attrs").size()>2) {String pl=document.select("span.attrs").get(j).text();info[2]=pl;//抓取演员名String actor=document.select("span.attrs").get(j+1).text();info[3]=actor;}else if(document.select("span.attrs").size()==2){info[2]=null;info[3]=document.select("span.attrs").get(j).text();}else{info[2]=null;info[3]=null;}//抓取电影类型String type=document.select("span[property='v:genre']").text();info[4]=type;//对是否含有官方网站进行讨论int i=4;if(document.select("span.pl").get(i).text().contains("官方网站")){i++;}//抓取产地国家,它的内容是国家标签的下一个节点String country=document.select("span.pl").get(i).nextSibling().outerHtml();info[5]=country;//抓取语言String lan=document.select("span.pl").get(i+1).nextSibling().outerHtml();info[6]=lan;//抓取时长String runTime=document.select("span[property='v:runtime']").text();info[7]=runTime;//抓取别名String otherName=document.select("span.pl").get(i+4).nextSibling().outerHtml();info[8]=otherName;//抓取评价人数String peoNum=document.select("span[property='v:votes']").text();info[9]=peoNum;//抓取介绍String intro=document.getElementById("link-report").text();info[10]=intro;return info;//出现异常,不要抛出,会导致程序中断}catch (IOException e) {// TODO: handle exceptionreturn null;}}//向表格中写数据,使用POI包private static void writeRow(int i ,String[] row,File file) throws InvalidFormatException, IOException{Workbook workBook=new XSSFWorkbook(new FileInputStream(file));//获得Top250Sheet,前提是有这个sheet,没有会报错Sheet sheet=workBook.getSheet("Top250");Row r=sheet.createRow(i);for(int k=0;k<row.length;k++){r.createCell(k).setCellValue(row[k]);}//将数据写进表格workBook.write(new FileOutputStream(file));}
}

效果图

这篇关于使用Jsoup包抓取豆瓣Top250电影信息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/425462

相关文章

Java使用Curator进行ZooKeeper操作的详细教程

《Java使用Curator进行ZooKeeper操作的详细教程》ApacheCurator是一个基于ZooKeeper的Java客户端库,它极大地简化了使用ZooKeeper的开发工作,在分布式系统... 目录1、简述2、核心功能2.1 CuratorFramework2.2 Recipes3、示例实践3

springboot security使用jwt认证方式

《springbootsecurity使用jwt认证方式》:本文主要介绍springbootsecurity使用jwt认证方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录前言代码示例依赖定义mapper定义用户信息的实体beansecurity相关的类提供登录接口测试提供一

go中空接口的具体使用

《go中空接口的具体使用》空接口是一种特殊的接口类型,它不包含任何方法,本文主要介绍了go中空接口的具体使用,具有一定的参考价值,感兴趣的可以了解一下... 目录接口-空接口1. 什么是空接口?2. 如何使用空接口?第一,第二,第三,3. 空接口几个要注意的坑坑1:坑2:坑3:接口-空接口1. 什么是空接

springboot security快速使用示例详解

《springbootsecurity快速使用示例详解》:本文主要介绍springbootsecurity快速使用示例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝... 目录创www.chinasem.cn建spring boot项目生成脚手架配置依赖接口示例代码项目结构启用s

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

java中使用POI生成Excel并导出过程

《java中使用POI生成Excel并导出过程》:本文主要介绍java中使用POI生成Excel并导出过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录需求说明及实现方式需求完成通用代码版本1版本2结果展示type参数为atype参数为b总结注:本文章中代码均为

Spring Boot3虚拟线程的使用步骤详解

《SpringBoot3虚拟线程的使用步骤详解》虚拟线程是Java19中引入的一个新特性,旨在通过简化线程管理来提升应用程序的并发性能,:本文主要介绍SpringBoot3虚拟线程的使用步骤,... 目录问题根源分析解决方案验证验证实验实验1:未启用keep-alive实验2:启用keep-alive扩展建

使用Java实现通用树形结构构建工具类

《使用Java实现通用树形结构构建工具类》这篇文章主要为大家详细介绍了如何使用Java实现通用树形结构构建工具类,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... 目录完整代码一、设计思想与核心功能二、核心实现原理1. 数据结构准备阶段2. 循环依赖检测算法3. 树形结构构建4. 搜索子

GORM中Model和Table的区别及使用

《GORM中Model和Table的区别及使用》Model和Table是两种与数据库表交互的核心方法,但它们的用途和行为存在著差异,本文主要介绍了GORM中Model和Table的区别及使用,具有一... 目录1. Model 的作用与特点1.1 核心用途1.2 行为特点1.3 示例China编程代码2. Tab

SpringBoot使用OkHttp完成高效网络请求详解

《SpringBoot使用OkHttp完成高效网络请求详解》OkHttp是一个高效的HTTP客户端,支持同步和异步请求,且具备自动处理cookie、缓存和连接池等高级功能,下面我们来看看SpringB... 目录一、OkHttp 简介二、在 Spring Boot 中集成 OkHttp三、封装 OkHttp