[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

一篇文章彻底搞懂macOS如何决定java环境

《一篇文章彻底搞懂macOS如何决定java环境》MacOS作为一个功能强大的操作系统,为开发者提供了丰富的开发工具和框架,下面:本文主要介绍macOS如何决定java环境的相关资料,文中通过代码... 目录方法一:使用 which命令方法二:使用 Java_home工具(Apple 官方推荐)那问题来了,

Java HashMap的底层实现原理深度解析

《JavaHashMap的底层实现原理深度解析》HashMap基于数组+链表+红黑树结构,通过哈希算法和扩容机制优化性能,负载因子与树化阈值平衡效率,是Java开发必备的高效数据结构,本文给大家介绍... 目录一、概述:HashMap的宏观结构二、核心数据结构解析1. 数组(桶数组)2. 链表节点(Node

Java AOP面向切面编程的概念和实现方式

《JavaAOP面向切面编程的概念和实现方式》AOP是面向切面编程,通过动态代理将横切关注点(如日志、事务)与核心业务逻辑分离,提升代码复用性和可维护性,本文给大家介绍JavaAOP面向切面编程的概... 目录一、AOP 是什么?二、AOP 的核心概念与实现方式核心概念实现方式三、Spring AOP 的关

详解SpringBoot+Ehcache使用示例

《详解SpringBoot+Ehcache使用示例》本文介绍了SpringBoot中配置Ehcache、自定义get/set方式,并实际使用缓存的过程,文中通过示例代码介绍的非常详细,对大家的学习或者... 目录摘要概念内存与磁盘持久化存储:配置灵活性:编码示例引入依赖:配置ehcache.XML文件:配置

Java 虚拟线程的创建与使用深度解析

《Java虚拟线程的创建与使用深度解析》虚拟线程是Java19中以预览特性形式引入,Java21起正式发布的轻量级线程,本文给大家介绍Java虚拟线程的创建与使用,感兴趣的朋友一起看看吧... 目录一、虚拟线程简介1.1 什么是虚拟线程?1.2 为什么需要虚拟线程?二、虚拟线程与平台线程对比代码对比示例:三

Java中的.close()举例详解

《Java中的.close()举例详解》.close()方法只适用于通过window.open()打开的弹出窗口,对于浏览器的主窗口,如果没有得到用户允许是不能关闭的,:本文主要介绍Java中的.... 目录当你遇到以下三种情况时,一定要记得使用 .close():用法作用举例如何判断代码中的 input

Spring Gateway动态路由实现方案

《SpringGateway动态路由实现方案》本文主要介绍了SpringGateway动态路由实现方案,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随... 目录前沿何为路由RouteDefinitionRouteLocator工作流程动态路由实现尾巴前沿S

JavaScript对象转数组的三种方法实现

《JavaScript对象转数组的三种方法实现》本文介绍了在JavaScript中将对象转换为数组的三种实用方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友... 目录方法1:使用Object.keys()和Array.map()方法2:使用Object.entr

idea+spring boot创建项目的搭建全过程

《idea+springboot创建项目的搭建全过程》SpringBoot是Spring社区发布的一个开源项目,旨在帮助开发者快速并且更简单的构建项目,:本文主要介绍idea+springb... 目录一.idea四种搭建方式1.Javaidea命名规范2JavaWebTomcat的安装一.明确tomcat

Java高效实现PowerPoint转PDF的示例详解

《Java高效实现PowerPoint转PDF的示例详解》在日常开发或办公场景中,经常需要将PowerPoint演示文稿(PPT/PPTX)转换为PDF,本文将介绍从基础转换到高级设置的多种用法,大家... 目录为什么要将 PowerPoint 转换为 PDF安装 Spire.Presentation fo