admin管理员组

文章数量:1660819

0x0 背景

最近学习爬虫,分析了几种主流的爬虫框架,决定使用最原始的两大框架进行练手: 

Jsoup&HttpUnit 

其中jsoup可以获取静态页面,并解析页面标签,最主要的是,可以采用类似于jquery的语法获取想要的标签元素,例如:


//1.获取url地址的网页html

html = Jsoup.connect(url).get();

// 2.jsoup获取新闻<a>标签

Elements newsATags = html.select("div#headLineDefault")

        .select("ul.FNewMTopLis")

        .select("li")

        .select("a");


但是,有些网页(例如今日头条)并非是静态页面,而是在首页加载后通过ajax获取新闻内容然后用js渲染到页面上的。对于这种页面,我们需要使用htmlunit来模拟一个浏览器访问该url,即可获取该页面的html字符串。代码如下:


WebClient webClient = new WebClient(BrowserVersion.CHROME);

webClient.getOptions().setJavaScriptEnabled(true);

webClient.getOptions().setCssEnabled(false);

webClient.getOptions().setActiveXNative(false);

webClient.getOptions().setCssEnabled(false);

webClient.getOptions().setThrowExceptionOnScriptError(false);

webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);

webClient.getOptions().setTimeout(10000);

HtmlPage htmlPage = null;

try {

    htmlPage = webClient.getPage(url);

    webClient.waitForBackgroundJavaScript(10000);

    String htmlString = htmlPage.asXml();

    return Jsoup.parse(htmlString);

} finally {

    webClient.close();

}


0x1 搜狐、凤凰、网易爬虫

这三家的页面都是静态的,因此代码都差不多,只要分析页面标签找到对应的元素,提取出想要的内容即可。 

爬虫基本步骤为以下四步: 

(1)获取首页 

(2)使用jsoup获取新闻<a>标签 

(3)从<a>标签中抽取基本信息,封装成News对象 

(4)根据新闻url访问新闻页面,获取新闻内容、图片等


1.爬虫接口

一个接口,接口有一个抽象方法pullNews用于拉新闻,有一个默认方法用于获取新闻首页:


public interface NewsPuller {


    void pullNews();


    // url:即新闻首页url

    // useHtmlUnit:是否使用htmlunit

    default Document getHtmlFromUrl(String url, boolean useHtmlUnit) throws Exception {

        if (!useHtmlUnit) {

            return Jsoup.connect(url)

                    //模拟火狐浏览器

                    .userAgent("Mozilla/4.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)")

                    .get();

        } else {

            WebClient webClient = new WebClient(BrowserVersion.CHROME);

            webClient.getOptions().setJavaScriptEnabled(true);

            webClient.getOptions().setCssEnabled(false);

            webClient.getOptions().setActiveXNative(false);

            webClient.getOptions().setCssEnabled(false);

            webClient.getOptions().setThrowExceptionOnScriptError(false);

            webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);

            webClient.getOptions().setTimeout(10000);

            HtmlPage htmlPage = null;

            try {

                htmlPage = webClient.getPage(url);

                webClient.waitForBackgroundJavaScript(10000);

                String htmlString = htmlPage.asXml();

                return Jsoup.parse(htmlString);

            } finally {

                webClient.close();

            }

        }

    }


}


2.搜狐爬虫

@Component("sohuNewsPuller")

public class SohuNewsPuller implements NewsPuller {


    private static final Logger logger = LoggerFactory.getLogger(SohuNewsPuller.class);

    @Value("${news.sohu.url}")

    private String url;

    @Autowired

    private NewsService newsService;


    @Override

    public void pullNews() {

        logger.info("开始拉取搜狐新闻!");

        // 1.获取首页

        Document html= null;

        try {

            html = getHtmlFromUrl(url, false);

        } catch (Exception e) {

            logger.error("==============获取搜狐首页失败: {}=============", url);

            e.printStackTrace();

            return;

        }

        // 2.jsoup获取新闻<a>标签

        Elements newsATags = html.select("div.focus-news")

                .select("div.list16")

                .select("li")

                .select("a");


        // 3.从<a>标签中抽取基本信息,封装成news

        HashSet<News> newsSet = new HashSet<>();

        for (Element a : newsATags) {

            String url = a.attr("href");

            String title = a.attr("title");

            News n = new News();

            n.setSource("搜狐");

            n.setUrl(url);

            n.setTitle(title);

            n.setCreateDate(new Date());

            newsSet.add(n);

        }

        // 4.根据新闻url访问新闻,获取新闻内容

        newsSet.forEach(news -> {

            logger.info("开始抽取搜狐新闻内容:{}", news.getUrl());

            Document newsHtml = null;

            try {

                newsHtml = getHtmlFromUrl(news.getUrl(), false);

                Element newsContent = newsHtml.select("div#article-container")

                        .select("div.main")

                        .select("div.text")

                        .first();

                String title = newsContent.select("div.text-title").select("h1").text();

                String content = newsContent.select("article.article").first().toString();

                String image = NewsUtils.getImageFromContent(content);


                news.setTitle(title);

                news.setContent(content);

                news.setImage(image);

                newsService.saveNews(news);

                logger.info("抽取搜狐新闻《{}》成功!", news.getTitle());

            } catch (Exception e) {

                logger.error("新闻抽取失败:{}", news.getUrl());

                e.printStackTrace();

            }

        });

    }

}


2.凤凰新闻爬虫

@Component("ifengNewsPuller")

public class IfengNewsPuller implements NewsPuller {


    private static final Logger logger = LoggerFactory.getLogger(IfengNewsPuller.class);

    @Value("${news.ifeng.url}")

    private String url;

    @Autowired

    private NewsService newsService;


    @Override

    public void pullNews() {

        logger.info("开始拉取凤凰新闻!");

        // 1.获取首页

        Document html= null;

        try {

            html = getHtmlFromUrl(url, false);

        } catch (Exception e) {

            logger.error("==============获取凤凰首页失败: {} =============", url);

            e.printStackTrace();

            return;

        }

        // 2.jsoup获取新闻<a>标签

        Elements newsATags = html.select("div#headLineDefault")

                .select("ul.FNewMTopLis")

                .select("li")

                .select("a");


        // 3.从<a>标签中抽取基本信息,封装成news

        HashSet<News> newsSet = new HashSet<>();

        for (Element a : newsATags) {

            String url = a.attr("href");

            String title = a.text();

            News n = new News();

            n.setSource("凤凰");

            n.setUrl(url);

            n.setTitle(title);

            n.setCreateDate(new Date());

            newsSet.add(n);

        }

        // 4.根据新闻url访问新闻,获取新闻内容

        newsSet.parallelStream().forEach(news -> {

            logger.info("开始抽取凤凰新闻《{}》内容:{}", news.getTitle(), news.getUrl());

            Document newsHtml = null;

            try {

                newsHtml = getHtmlFromUrl(news.getUrl(), false);

                Elements contentElement = newsHtml.select("div#main_content");

                if (contentElement.isEmpty()) {

                    contentElement = newsHtml.select("div#yc_con_txt");

                }

                if (contentElement.isEmpty())

                    return;

                String content = contentElement.toString();

                String image = NewsUtils.getImageFromContent(content);

                news.setContent(content);

                news.setImage(image);

                newsService.saveNews(news);

                logger.info("抽取凤凰新闻《{}》成功!", news.getTitle());

            } catch (Exception e) {

                logger.error("凤凰新闻抽取失败:{}", news.getUrl());

                e.printStackTrace();

            }

        });


        logger.info("凤凰新闻抽取完成!");

    }

}


3.网易爬虫

@Component("netEasyNewsPuller")

public class NetEasyNewsPuller implements NewsPuller {


    private static final Logger logger = LoggerFactory.getLogger(NetEasyNewsPuller.class);

    @Value("${newseasy.url}")

    private String url;

    @Autowired

    private NewsService newsService;

    @Override

    public void pullNews() {

        logger.info("开始拉取网易热门新闻!");

        // 1.获取首页

        Document html= null;

        try {

            html = getHtmlFromUrl(url, false);

        } catch (Exception e) {

            logger.error("==============获取网易新闻首页失败: {}=============", url);

            e.printStackTrace();

            return;

        }

        // 2.jsoup获取指定标签

        Elements newsA = html.select("div#whole")

                .next("div.area-half.left")

                .select("div.tabContents")

                .first()

                .select("tbody > tr")

                .select("a[href~=^http://news.163.*]");


        // 3.从标签中抽取信息,封装成news

        HashSet<News> newsSet = new HashSet<>();

        newsA.forEach(a -> {

            String url = a.attr("href");

            News n = new News();

            n.setSource("网易");

            n.setUrl(url);

            n.setCreateDate(new Date());

            newsSet.add(n);

        });


        // 4.根据url访问新闻,获取新闻内容

        newsSet.forEach(news -> {

            logger.info("开始抽取新闻内容:{}", news.getUrl());

            Document newsHtml = null;

            try {

                newsHtml = getHtmlFromUrl(news.getUrl(), false);

                Elements newsContent = newsHtml.select("div#endText");

                Elements titleP = newsContent.select("p.otitle");

                String title = titleP.text();

                title = title.substring(5, title.length() - 1);

                String image = NewsUtils.getImageFromContent(newsContent.toString());


                news.setTitle(title);

                news.setContent(newsContent.toString());

                news.setImage(image);

                newsService.saveNews(news);

                logger.info("抽取网易新闻《{}》成功!", news.getTitle());

            } catch (Exception e) {

                logger.error("新闻抽取失败:{}", news.getUrl());

                e.printStackTrace();

            }

        });

        logger.info("网易新闻拉取完成!");



    }

}


0x2 今日头条爬虫

由于今日头条页面中的新闻是通过ajax获取后加载的,因此需要使用httpunit进行抓取。 

主要代码如下:


@Component("toutiaoNewsPuller")

public class ToutiaoNewsPuller implements NewsPuller {


    private static final Logger logger = LoggerFactory.getLogger(ToutiaoNewsPuller.class);

    private static final String TOUTIAO_URL = "https://www.toutiao";


    @Autowired

    private NewsService newsService;

    @Value("${news.toutiao.url}")

    private String url;


    @Override

    public void pullNews() {

        logger.info("开始拉取今日头条热门新闻!");

        // 1.load html from url

        Document html = null;

        try {

            html = getHtmlFromUrl(url, true);

        } catch (Exception e) {

            logger.error("获取今日头条主页失败!");

            e.printStackTrace();

            return;

        }


        // 2.parse the html to news information and load into POJO

        Map<String, News> newsMap = new HashMap<>();

        for (Element a : html.select("a[href~=/group/.*]:not(ment)")) {

            logger.info("标签a: \n{}", a);

            String href = TOUTIAO_URL + a.attr("href");

            String title = StringUtils.isNotBlank(a.select("p").text()) ?

                    a.select("p").text() : a.text();

            String image = a.select("img").attr("src");


            News news = newsMap.get(href);

            if (news == null) {

                News n = new News();

                n.setSource("今日头条");

                n.setUrl(href);

                n.setCreateDate(new Date());

                n.setImage(image);

                n.setTitle(title);

                newsMap.put(href, n);

            } else {

                if (a.hasClass("img-wrap")) {

                    news.setImage(image);

                } else if (a.hasClass("title")) {

                    news.setTitle(title);

                }

            }

        }


        logger.info("今日头条新闻标题拉取完成!");

        logger.info("开始拉取新闻内容...");

        newsMap.values().parallelStream().forEach(news -> {

            logger.info("===================={}====================", news.getTitle());

            Document contentHtml = null;

            try {

                contentHtml = getHtmlFromUrl(news.getUrl(), true);

            } catch (Exception e) {

                logger.error("获取新闻《{}》内容失败!", news.getTitle());

                return;

            }

            Elements scripts = contentHtml.getElementsByTag("script");

            scripts.forEach(script -> {

                String regex = "articleInfo: \\{\\s*[\\n\\r]*\\s*title: '.*',\\s*[\\n\\r]*\\s*content: '(.*)',";

                Pattern pattern = Patternpile(regex);

                Matcher matcher = pattern.matcher(script.toString());

                if (matcher.find()) {

                    String content = matcher.group(1)

                            .replace("&lt;", "<")

                            .replace("&gt;", ">")

                            .replace("&quot;", "\"")

                            .replace("&#x3D;", "=");

                    logger.info("content: {}", content);

                    news.setContent(content);

                }

            });

        });

        newsMap.values()

                .stream()

                .filter(news -> StringUtils.isNotBlank(news.getContent()) && !news.getContent().equals("null"))

                .forEach(newsService::saveNews);

        logger.info("今日头条新闻内容拉取完成!");


    }

}


点击关注,有趣分析








转载于:https://blog.51cto/13878196/2394620

本文标签: 爬虫凤凰搜狐网易头条