您好,登錄后才能下訂單哦!
本文實例講述了Java爬取豆瓣電影數據的方法。分享給大家供大家參考,具體如下:
所用到的技術有Jsoup,HttpClient。
Jsoup
jsoup 是一款Java 的HTML解析器,可直接解析某個URL地址、HTML文本內容。它提供了一套非常省力的API,可通過DOM,CSS以及類似于jQuery的操作方法來取出和操作數據。
HttpClient
HTTP 協議可能是現在 Internet 上使用得最多、最重要的協議了,越來越多的 Java 應用程序需要直接通過 HTTP 協議來訪問網絡資源。雖然在 JDK 的 java net包中已經提供了訪問 HTTP 協議的基本功能,但是對于大部分應用程序來說,JDK 庫本身提供的功能還不夠豐富和靈活。HttpClient 是 Apache Jakarta Common 下的子項目,用來提供高效的、最新的、功能豐富的支持 HTTP 協議的客戶端編程工具包,并且它支持 HTTP 協議最新的版本和建議。
爬取豆瓣電影數據
豆瓣電影網址。
https://movie.douban.com/explore#!type=movie&tag=熱門&sort=recommend&page_limit=20&page_start=0
打開瀏覽器f12,地址欄中輸入該地址訪問,可以看到請求響應的頁面,對應可以找到電影數據的請求地址,數據請求地址
https://movie.douban.com/j/search_subjects?type=movie&tag=熱門&sort=recommend&page_limit=20&page_start=0
可以看到數據請求地址響應過來的是一個JSON格式的數據,之后我們看到請求地址上的參數type=movie&tag=熱門&sort=recommend&page_limit=20&page_start=0。其中type是電影tag是標簽,sort是按照熱門進行排序的,page_limit是每頁20條數據,page_start是從第幾條數據開始查詢(下標從0開始)。但是這不是我們想要的,我們需要去找豆瓣電影數據的總入口地址是下面這個
https://movie.douban.com/j/search_subjects
創建SpringBoot項目爬取數據
把爬取到的數據保存到數據庫中,電影圖片保存在本地磁盤中,這里持久層用的是JPA,所以需要引入對應的依賴。pom.xml中依賴代碼如下。
<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>2.2.1.RELEASE</version> <relativePath/> <!-- lookup parent from repository --> </parent> <groupId>com.mcy</groupId> <artifactId>crawler-douban</artifactId> <version>0.0.1-SNAPSHOT</version> <name>crawler-douban</name> <description>Demo project for Spring Boot</description> <properties> <java.version>1.8</java.version> </properties> <dependencies> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-data-jpa</artifactId> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <scope>runtime</scope> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-test</artifactId> <scope>test</scope> <exclusions> <exclusion> <groupId>org.junit.vintage</groupId> <artifactId>junit-vintage-engine</artifactId> </exclusion> </exclusions> </dependency> <!--httpclient--> <dependency> <groupId>org.apache.httpcomponents</groupId> <artifactId>httpclient</artifactId> <version>4.5.2</version> </dependency> <!--jsoup,解析HTML--> <dependency> <groupId>org.jsoup</groupId> <artifactId>jsoup</artifactId> <version>1.11.3</version> </dependency> <dependency> <groupId>com.alibaba</groupId> <artifactId>fastjson</artifactId> <version>1.2.47</version> </dependency> </dependencies> <build> <plugins> <plugin> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project>
項目目錄結構如下。
首先我們在entity包中建立實體對象,字段為豆瓣電影的基本信息(有些信息是詳情頁面的信息)。
Movie實體類。
import javax.persistence.*; @Entity public class Movie { private Integer id; private double rate; //評分 private String title; //電影名稱 private String director; //導演 private String protagonist; //主演 private String dateTime; //電影時長 @Id @GeneratedValue(strategy = GenerationType.IDENTITY) public Integer getId() { return id; } public void setId(Integer id) { this.id = id; } public double getRate() { return rate; } public void setRate(double rate) { this.rate = rate; } public String getTitle() { return title; } public void setTitle(String title) { this.title = title; } public String getDirector() { return director; } public void setDirector(String director) { this.director = director; } @Column(length=2000) public String getProtagonist() { return protagonist; } public void setProtagonist(String protagonist) { this.protagonist = protagonist; } public String getDateTime() { return dateTime; } public void setDateTime(String dateTime) { this.dateTime = dateTime; } }
在src/main/resources下找到application.properties文件,在該配置文件中配置數據庫鏈接信息,需要在數據庫中新建一個名為douban的數據庫。
spring.datasource.url=jdbc:mysql://localhost:3306/douban?serverTimezone=GMT%2B8 spring.datasource.username=root spring.datasource.password=root spring.datasource.driver-class-name=com.mysql.cj.jdbc.Driver spring.jpa.database-platform=org.hibernate.dialect.MySQL5InnoDBDialect spring.jpa.show-sql=true spring.jpa.hibernate.ddl-auto=update spring.jpa.hibernate.use-new-id-generator-mappings=false
創建MovieRepository數據訪問層接口
import com.mcy.crawlerdouban.entity.Movie; import org.springframework.data.jpa.repository.JpaRepository; public interface MovieRepository extends JpaRepository<Movie, Integer> { }
創建MovieService類,里邊有一個保存數據的方法。
import com.mcy.crawlerdouban.entity.Movie; import com.mcy.crawlerdouban.repository.MovieRepository; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.stereotype.Service; @Service public class MovieService { @Autowired private MovieRepository movieRepository; public void save(Movie movie) { movieRepository.save(movie); } }
創建一個HttpUtils獲取網頁數據和保存圖片的工具類。
創建連接池和配置連接池信息。
//創建連接池管理器 private static PoolingHttpClientConnectionManager cm; public HttpUtils(){ cm = new PoolingHttpClientConnectionManager(); //設置最大連接數 cm.setMaxTotal(100); //設置每個主機的最大連接數 cm.setDefaultMaxPerRoute(10); } //配置請求信息 private static RequestConfig getConfig() { RequestConfig config = RequestConfig.custom() .setConnectTimeout(10000) //創建連接的最長時間,單位毫秒 .setConnectionRequestTimeout(10000) //設置獲取鏈接的最長時間,單位毫秒 .setSocketTimeout(10000) //設置數據傳輸的最長時間,單位毫秒 .build(); return config; }
根據請求地址獲取響應信息方法,獲取成功后返回響應信息。
public static String doGetHtml(String url, Map<String, String> map, Map<String, String> mapTile) throws URISyntaxException { //創建HTTPClient對象 CloseableHttpClient httpClient = HttpClients.createDefault(); //設置請求地址 //創建URLBuilder URIBuilder uriBuilder = new URIBuilder(url); //設置參數 if(!map.isEmpty()){ for(String key : map.keySet()){ uriBuilder.setParameter(key, map.get(key)); } } //創建HTTPGet對象,設置url訪問地址 //uriBuilder.build()得到請求地址 HttpGet httpGet = new HttpGet(uriBuilder.build()); //設置請求頭信息 if(!mapTile.isEmpty()){ for(String key : mapTile.keySet()){ httpGet.addHeader(key, mapTile.get(key)); } } //設置請求信息 httpGet.setConfig(getConfig()); System.out.println("發起請求的信息:"+httpGet); //使用HTTPClient發起請求,獲取response CloseableHttpResponse response = null; try { response = httpClient.execute(httpGet); //解析響應 if(response.getStatusLine().getStatusCode() == 200){ //判斷響應體Entity是否不為空,如果不為空就可以使用EntityUtils if(response.getEntity() != null) { String content = EntityUtils.toString(response.getEntity(), "utf8"); return content; } } }catch (IOException e){ e.printStackTrace(); }finally { //關閉response try { response.close(); } catch (IOException e) { e.printStackTrace(); } } return ""; }
根據鏈接下載圖片保存到本地方法。
public static String doGetImage(String url) throws IOException { //獲取HTTPClient對象 CloseableHttpClient httpClient = HttpClients.createDefault(); //設置HTTPGet請求對象,設置url地址 HttpGet httpGet = new HttpGet(url); //設置請求信息 httpGet.setConfig(getConfig()); //使用HTTPClient發起請求,獲取響應 CloseableHttpResponse response = null; try { //使用HTTPClient發起請求,獲取響應 response = httpClient.execute(httpGet); //解析響應,返回結果 if(response.getStatusLine().getStatusCode() == 200){ //判斷響應體Entity是否不為空 if(response.getEntity() != null) { //下載圖片 //獲取圖片的后綴 String extName = url.substring(url.lastIndexOf(".")); //創建圖片名,重命名圖片 String picName = UUID.randomUUID().toString() + extName; //下載圖片 //聲明OutputStream OutputStream outputStream = new FileOutputStream(new File("E://imges/" + picName)); response.getEntity().writeTo(outputStream); //返回圖片名稱 return picName; } } } catch (IOException e) { e.printStackTrace(); }finally { //關閉response if(response != null){ try { response.close(); } catch (IOException e) { e.printStackTrace(); } } } return ""; }
HttpUtils工具類全部代碼。
import java.io.File; import java.io.FileOutputStream; import java.io.IOException; import java.io.OutputStream; import java.net.URISyntaxException; import java.util.Map; import java.util.UUID; 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.client.utils.URIBuilder; import org.apache.http.impl.client.CloseableHttpClient; import org.apache.http.impl.client.HttpClients; import org.apache.http.impl.conn.PoolingHttpClientConnectionManager; import org.apache.http.util.EntityUtils; public class HttpUtils { //創建連接池管理器 private static PoolingHttpClientConnectionManager cm; public HttpUtils(){ cm = new PoolingHttpClientConnectionManager(); //設置最大連接數 cm.setMaxTotal(100); //設置每個主機的最大連接數 cm.setDefaultMaxPerRoute(10); } //配置請求信息 private static RequestConfig getConfig() { RequestConfig config = RequestConfig.custom() .setConnectTimeout(10000) //創建連接的最長時間,單位毫秒 .setConnectionRequestTimeout(10000) //設置獲取鏈接的最長時間,單位毫秒 .setSocketTimeout(10000) //設置數據傳輸的最長時間,單位毫秒 .build(); return config; } /** * 根據請求地址下載頁面數據 * @param url 請求路徑 * @param map 請求參數 * @param mapTile 請求頭 * @return //頁面數據 * @throws URISyntaxException */ public static String doGetHtml(String url, Map<String, String> map, Map<String, String> mapTile) throws URISyntaxException { //創建HTTPClient對象 CloseableHttpClient httpClient = HttpClients.createDefault(); //設置請求地址 //創建URLBuilder URIBuilder uriBuilder = new URIBuilder(url); //設置參數 if(!map.isEmpty()){ for(String key : map.keySet()){ uriBuilder.setParameter(key, map.get(key)); } } //創建HTTPGet對象,設置url訪問地址 //uriBuilder.build()得到請求地址 HttpGet httpGet = new HttpGet(uriBuilder.build()); //設置請求頭信息 if(!mapTile.isEmpty()){ for(String key : mapTile.keySet()){ httpGet.addHeader(key, mapTile.get(key)); } } //設置請求信息 httpGet.setConfig(getConfig()); System.out.println("發起請求的信息:"+httpGet); //使用HTTPClient發起請求,獲取response CloseableHttpResponse response = null; try { response = httpClient.execute(httpGet); //解析響應 if(response.getStatusLine().getStatusCode() == 200){ //判斷響應體Entity是否不為空,如果不為空就可以使用EntityUtils if(response.getEntity() != null) { String content = EntityUtils.toString(response.getEntity(), "utf8"); return content; } } }catch (IOException e){ e.printStackTrace(); }finally { //關閉response try { response.close(); } catch (IOException e) { e.printStackTrace(); } } return ""; } /** * 下載圖片 * @param url * @return 圖片名稱 */ public static String doGetImage(String url) throws IOException { //獲取HTTPClient對象 CloseableHttpClient httpClient = HttpClients.createDefault(); //設置HTTPGet請求對象,設置url地址 HttpGet httpGet = new HttpGet(url); //設置請求信息 httpGet.setConfig(getConfig()); //使用HTTPClient發起請求,獲取響應 CloseableHttpResponse response = null; try { //使用HTTPClient發起請求,獲取響應 response = httpClient.execute(httpGet); //解析響應,返回結果 if(response.getStatusLine().getStatusCode() == 200){ //判斷響應體Entity是否不為空 if(response.getEntity() != null) { //下載圖片 //獲取圖片的后綴 String extName = url.substring(url.lastIndexOf(".")); //創建圖片名,重命名圖片 String picName = UUID.randomUUID().toString() + extName; //下載圖片 //聲明OutputStream OutputStream outputStream = new FileOutputStream(new File("E://imges/" + picName)); response.getEntity().writeTo(outputStream); //返回圖片名稱 return picName; } } } catch (IOException e) { e.printStackTrace(); }finally { //關閉response if(response != null){ try { response.close(); } catch (IOException e) { e.printStackTrace(); } } } return ""; } }
在項目的test類中編寫代碼獲取數據保存到數據庫中。
先通過@Resource注解將MovieService類對應的實現類注入進來。
@Autowired private MovieService movieService;
設置請求地址https://movie.douban.com/j/search_subjects
String url = "https://movie.douban.com/j/search_subjects";
之后在定義兩個Map,用于存儲請求頭和請求參數信息。
網頁請求頭。
請求參數,type=movie&tag=熱門&sort=recommend&page_limit=20&page_start=0
設置請求參數和請求頭代碼如下。
Map<String, String> map = new HashMap<>(); Map<String, String> mapTitle = new HashMap<>(); //設置請求參數 map.put("type", "movie"); map.put("tag", "熱門"); map.put("sort", "recommend"); map.put("page_limit", "20"); //i為一個變量,從多少條數據開始查詢 map.put("page_start", i+""); //設置請求頭 mapTitle.put("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"); mapTitle.put("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:71.0) Gecko/20100101 Firefox/71.0"); mapTitle.put("Cookie", "bid=QNoG_zn4mZY; _pk_id.100001.4cf6=6209709719896af7.1575619506.2.1575940374.1575621362.; __utma=30149280.1889677372.1575619507.1575619507.1575940335.2; __utmz=30149280.1575619507.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=223695111.986359939.1575619507.1575619507.1575940335.2; __utmz=223695111.1575619507.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __yadk_uid=QVSP2uvzzDBrpnvHKzZpZEWJnuARZ4aL; ll=\"118259\"; _vwo_uuid_v2=D1FC45CAE50CF6EE38D245C68D7CECC4F|e8d1db73f4c914f0b0be7ed85ac50d14; trc_cookie_storage=taboola%2520global%253Auser-id%3D690a21c0-9ad9-4f8d-b997-f0decb3cfc9b-tuct4e39874; _pk_ses.100001.4cf6=*; ap_v=0,6.0; __utmb=30149280.0.10.1575940335; __utmc=30149280; __utmb=223695111.0.10.1575940335; __utmc=223695111; __gads=ID=2f06cb0af40206d0:T=1575940336:S=ALNI_Ma4rv9YmqrkIUNXsIt5E7zT6kZy2w");
通過HttpUtils類doGetHtml方法獲取該請求響應的數據。
String html = HttpUtils.doGetHtml(url, map, mapTitle);
請求響應數據格式。
可以看出是一個json格式的數據,我們可以通過阿里巴巴的Fastjson一個json解析庫,把它解析成為一個List格式數據。Fastjson基本用法
JSONObject jsonObject = JSONObject.parseObject(html); JSONArray jsonArray = jsonObject.getJSONArray("subjects");
因為每頁查詢是是20條數據,我們用一個for循環遍歷一下這一頁的數據。可以獲得電影的標題,評分,圖片鏈接和詳情頁面的鏈接,上面JSON數據中的cover屬性值為圖片的地址。通過圖片的鏈接我們可以調用HttpUtils類的doGetImage方法把圖片保存到本地磁盤。
HttpUtils.doGetImage(json.getString("cover"));
上面請求的數據只能獲取到標題,評分和圖片,然而我們還有獲取導演,主演,和電影時長。這些信息我們點開上面請求到的json數據的url屬性值,會打開詳情頁面,詳情頁面中有導演,主演,和電影時長信息。
打開的詳情頁面,我們可以看到導演,主演和電影時長等信息。
我們查詢詳情頁面的源代碼,可以看到導演,主演,電影時長等信息的位置。
我們在通過HttpUtils類doGetHtml方法獲取詳情頁面的數據,利用Jsoup進行解析,Jsoup是一個可以讓java代碼解析HTML代碼的一個工具,可以參考一下Jsoup官網文檔,找到主演,導演和電影時長信息。到這里我們需要的全部信息都獲取到了,最后把數據保存起來。
String url2 = json.getString("url"); Map<String, String> map2 = new HashMap<>(); Map<String, String> mapTitle2 = new HashMap<>(); String html2 = HttpUtils.doGetHtml(url2, map2, mapTitle2); //解析HTML獲取DOM對象 Document doc = Jsoup.parse(html2); //獲取導演名稱 Element element = doc.select("div#info a[rel=v:directedBy]").first(); movie.setDirector(element.text()); Elements elements = doc.select("div#info a[rel=v:starring]"); //主演 String protagonist = ""; for (Element e : elements) { protagonist += e.text()+","; } if(!protagonist.equals("")){ protagonist = protagonist.substring(0, protagonist.length()-1); } movie.setProtagonist(protagonist); //獲取電影時長 element = doc.select("div#info span[property=v:runtime]").first(); movie.setDateTime(element.text()); movieService.save(movie);
測試類全部代碼如下。
import com.alibaba.fastjson.JSONObject; import com.mcy.crawlerdouban.entity.Movie; import com.mcy.crawlerdouban.service.MovieService; import com.mcy.crawlerdouban.util.HttpUtils; import com.alibaba.fastjson.JSONArray; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; import org.junit.jupiter.api.Test; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.boot.test.context.SpringBootTest; import java.io.IOException; import java.net.URISyntaxException; import java.util.HashMap; import java.util.Map; @SpringBootTest class CrawlerDoubanApplicationTests { @Autowired private MovieService movieService; @Test public void contextLoads() throws URISyntaxException, IOException { //請求地址 //https://movie.douban.com/j/search_subjects?type=movie&tag=熱門&sort=recommend&page_limit=20&page_start=0 String url = "https://movie.douban.com/j/search_subjects"; Map<String, String> map = new HashMap<>(); Map<String, String> mapTitle = new HashMap<>(); //設置請求參數 map.put("type", "movie"); map.put("tag", "熱門"); map.put("sort", "recommend"); map.put("page_limit", "20"); //設置請求頭 mapTitle.put("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"); mapTitle.put("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:71.0) Gecko/20100101 Firefox/71.0"); mapTitle.put("Cookie", "bid=QNoG_zn4mZY; _pk_id.100001.4cf6=6209709719896af7.1575619506.2.1575940374.1575621362.; __utma=30149280.1889677372.1575619507.1575619507.1575940335.2; __utmz=30149280.1575619507.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=223695111.986359939.1575619507.1575619507.1575940335.2; __utmz=223695111.1575619507.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __yadk_uid=QVSP2uvzzDBrpnvHKzZpZEWJnuARZ4aL; ll=\"118259\"; _vwo_uuid_v2=D1FC45CAE50CF6EE38D245C68D7CECC4F|e8d1db73f4c914f0b0be7ed85ac50d14; trc_cookie_storage=taboola%2520global%253Auser-id%3D690a21c0-9ad9-4f8d-b997-f0decb3cfc9b-tuct4e39874; _pk_ses.100001.4cf6=*; ap_v=0,6.0; __utmb=30149280.0.10.1575940335; __utmc=30149280; __utmb=223695111.0.10.1575940335; __utmc=223695111; __gads=ID=2f06cb0af40206d0:T=1575940336:S=ALNI_Ma4rv9YmqrkIUNXsIt5E7zT6kZy2w"); //獲取前100條數據,可以自行更改 for(int i = 0; i < 100; i+=20){ map.put("page_start", i+""); String html = HttpUtils.doGetHtml(url, map, mapTitle); JSONObject jsonObject = JSONObject.parseObject(html); JSONArray jsonArray = jsonObject.getJSONArray("subjects"); for(int j = 0; j < jsonArray.size(); j++){ //循環遍歷每頁數據 Movie movie = new Movie(); JSONObject json = (JSONObject) jsonArray.get(j); movie.setRate(json.getDouble("rate")); movie.setTitle(json.getString("title")); //下載保存圖片 HttpUtils.doGetImage(json.getString("cover")); String url2 = json.getString("url"); Map<String, String> map2 = new HashMap<>(); Map<String, String> mapTitle2 = new HashMap<>(); String html2 = HttpUtils.doGetHtml(url2, map2, mapTitle2); //解析HTML獲取DOM對象 Document doc = Jsoup.parse(html2); //獲取導演名稱 Element element = doc.select("div#info a[rel=v:directedBy]").first(); movie.setDirector(element.text()); Elements elements = doc.select("div#info a[rel=v:starring]"); //主演 String protagonist = ""; for (Element e : elements) { protagonist += e.text()+","; } if(!protagonist.equals("")){ protagonist = protagonist.substring(0, protagonist.length()-1); } movie.setProtagonist(protagonist); //獲取電影時長 element = doc.select("div#info span[property=v:runtime]").first(); movie.setDateTime(element.text()); movieService.save(movie); } } System.out.println("數據獲取完成。。。"); } }
最后我們在mysql數據庫中新建一個名為douban的數據庫,啟動項目,JPA會自動在數據庫中新建一張movie表,存放獲取到的電影數據。在本地磁盤也會保存電影圖片,如圖。
電影圖片,保存的位置和HttpUtils的doGetImage方法中設置的保存地址一樣。
最后放上下載地址https://github.com/machaoyin/crawler-douban
有什么問題歡迎下方留言交流。
更多關于java相關內容感興趣的讀者可查看本站專題:《Java網絡編程技巧總結》、《Java Socket編程技巧總結》、《Java文件與目錄操作技巧匯總》、《Java數據結構與算法教程》、《Java操作DOM節點技巧總結》和《Java緩存操作技巧匯總》
希望本文所述對大家java程序設計有所幫助。
免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。