基于java的网络爬虫框架(实现京东数据的爬取，并将插入数据库)

原文地址：http://blog.csdn.net/qy20115549/article/details/52203722

#网络爬虫框架写网络爬虫，一个要有一个逻辑顺序。本文主要讲解我自己经常使用的一个顺序，并且本人经常使用这个框架来写一些简单的爬虫，复杂的爬虫，也是在这个基础上添加其他程序。

首先，我的工程都是使用maven建的，不会使用maven的，请看之前写的网络爬虫基础。使用Spring MVC框架编写过网站的同学，可以看出框架的重要性与逻辑性。在我的网络爬虫框架中，包含的package有db、main、model、parse、util五个文件。

db:主要放的是数据库操作文件，包含MyDataSource【数据库驱动注册、连接数据库的用户名、密码】，MYSQLControl【连接数据库，插入操作、更新操作、建表操作等】。

model：用来封装对象，比如我要获取京东书籍的ID、书名、价格，则需要在model写入对应的属性。说的直白一些，封装的就是我要操作数据对应的属性名。有不明白的看之前写的一个简单的网络爬虫。

util：主要放的是httpclient的内容，主要作用时将main方法，传过来的url，通过httpclient相关方法，获取需要解析的html文件或者json文件等。

parse：这里面存放的是针对util获取的文件，进行解析，一般采用Jsoup解析；若是针对json数据，可采用正则表达式或者fastjson工具进行解析，建议使用fastjson，因其操作简单，快捷。

main：程序起点，也是重点，获取数据，执行数据库语句，存放数据。

##网络爬虫的逻辑顺序针对我的网络爬虫框架，网络爬虫的逻辑顺序，可以描述为：首先，main方法，将url传给util获取响应的html文件，然后util将其获得的html文件，传给parse进行解析，获取最终数据，封装在集合中。解析完毕后，数据返回到main，接着main操作db将数据导入到mysql中。

#网络爬虫实例教学通过上面的框架，我们可以看出写一个网络爬虫，其实很简单（当然有很复杂的网络爬虫哦）。下面，我将带大家写一个基于java爬虫京东图书信息的网络爬虫，只是做讲解使用，供大家学习和参考。

首先，起点是什么？你可能觉得是main方法，其实不然，起点是你要知道你要获取网站中的哪些数据，然后针对要抓取的数据去写model。如下图，我要获取京东上的图书的价格，和图书名，还有图书的id（id是唯一标识，可作为数据表的主键）

##model 用来封装对象，我要抓取一本书的数据包括，书籍的id，书名及价格。ecliplse中生成set、get方法的快捷键是shift+alt+s然后选择生成setter、getter

package model;

public class JdModel {
	private String bookID;
	private String bookName;
	private String bookPrice;
	public String getBookID() {
		return bookID;
	}
	public void setBookID(String bookID) {
		this.bookID = bookID;
	}
	public String getBookName() {
		return bookName;
	}
	public void setBookName(String bookName) {
		this.bookName = bookName;
	}
	public String getBookPrice() {
		return bookPrice;
	}
	public void setBookPrice(String bookPrice) {
		this.bookPrice = bookPrice;
	}
}

##main 主方法，尽量要求简单，这里我就这样写了。这里面有注释，很好理解。

package main;
import java.util.List;
import org.apache.commons.logging.Log;
import org.apache.commons.logging.LogFactory;
import org.apache.http.client.HttpClient;
import org.apache.http.impl.client.DefaultHttpClient;
import db.MYSQLControl;
import model.JdModel;
import util.URLFecter;
public class JdongMain {
	//log4j的是使用，不会的请看之前写的文章
	static final Log logger = LogFactory.getLog(JdongMain.class);
	public static void main(String[] args) throws Exception {
		//初始化一个httpclient
		HttpClient client = new DefaultHttpClient();
		//我们要爬取的一个地址，这里可以从数据库中抽取数据，然后利用循环，可以爬取一个URL队列
		String url="http://search.jd.com/Search?keyword=Python&enc=utf-8&book=y&wq=Python&pvid=33xo9lni.p4a1qb";
		//抓取的数据
		List<JdModel> bookdatas=URLFecter.URLParser(client, url);
		//循环输出抓取的数据
		for (JdModel jd:bookdatas) {
			logger.info("bookID:"+jd.getBookID()+"\t"+"bookPrice:"+jd.getBookPrice()+"\t"+"bookName:"+jd.getBookName());
		}
		//将抓取的数据插入数据库
		MYSQLControl.executeInsert(bookdatas);
	}
}

##util util中包含两个文件，URLFecter 与HTTPUtils，其中URLFecter 调用了HTTPUtils类。

package util;
import java.util.ArrayList;
import java.util.List;
import org.apache.http.HttpResponse;
import org.apache.http.client.HttpClient;
import org.apache.http.util.EntityUtils;
import model.JdModel;
import parse.JdParse;
public class URLFecter {
	public static List<JdModel> URLParser (HttpClient client, String url) throws Exception {
		//用来接收解析的数据
		List<JdModel> JingdongData = new ArrayList<JdModel>();
		//获取网站响应的html，这里调用了HTTPUtils类
		HttpResponse response = HTTPUtils.getRawHtml(client, url);		
		//获取响应状态码
		int StatusCode = response.getStatusLine().getStatusCode();
		//如果状态响应码为200，则获取html实体内容或者json文件
		if(StatusCode == 200){
			String entity = EntityUtils.toString (response.getEntity(),"utf-8");	
			JingdongData = JdParse.getData(entity);
			EntityUtils.consume(response.getEntity());
		}else {
			//否则，消耗掉实体
			EntityUtils.consume(response.getEntity());
		}
		return JingdongData;
	}
}

上面程序调用的HTTPUtils这个类，以下是HTTPUtils这个类。

package util;

import java.io.IOException;
import org.apache.http.HttpResponse;
import org.apache.http.HttpStatus;
import org.apache.http.HttpVersion;
import org.apache.http.client.HttpClient;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.message.BasicHttpResponse;

public abstract class HTTPUtils {
	public static HttpResponse getRawHtml(HttpClient client, String personalUrl) {
		//获取响应文件，即html，采用get方法获取响应数据
		HttpGet getMethod = new HttpGet(personalUrl);
		HttpResponse response = new BasicHttpResponse(HttpVersion.HTTP_1_1,
				HttpStatus.SC_OK, "OK");
		try {
			//执行get方法
			response = client.execute(getMethod);
		} catch (IOException e) {
			e.printStackTrace();
			
		} finally {
			// getMethod.abort();
		}
		return response;
	}

}

##parse parse主要是通过Jsoup来解析html文件。并将解析后的数据，封装在List集合中，将数据通过层层返回到main方法中。

package parse;

import java.util.ArrayList;
import java.util.List;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import model.JdModel;
/*
 * author qianyang 1563178220@qq.com
 * 用于将上面传下来的html解析，获取我们需要的内容
 * 解析方式，采用Jsoup解析，有不明白Jsoup的可以上网搜索API文档
 * Jsoup是一款很简单的html解析器
 */
public class JdParse {
	public static List<JdModel> getData (String html) throws Exception{
		//获取的数据，存放在集合中
		List<JdModel> data = new ArrayList<JdModel>();
		//采用Jsoup解析
		Document doc = Jsoup.parse(html);
		//获取html标签中的内容
		Elements elements=doc.select("ul[class=gl-warp clearfix]").select("li[class=gl-item]");
		for (Element ele:elements) {
			String bookID=ele.attr("data-sku");
			String bookPrice=ele.select("div[class=p-price]").select("strong").select("i").text();
			String bookName=ele.select("div[class=p-name]").select("em").text();
			//创建一个对象，这里可以看出，使用Model的优势，直接进行封装
			JdModel jdModel=new JdModel();
			//对象的值
			jdModel.setBookID(bookID);
			jdModel.setBookName(bookName);
			jdModel.setBookPrice(bookPrice);
			//将每一个对象的值，保存到List集合中
			data.add(jdModel);
		}
		//返回数据
		return data;
	}
}

##db db中包含两个java文件，MyDataSource，MYSQLControl。这两个文件的作用已在前面说明了。

package db;

import javax.sql.DataSource;
import org.apache.commons.dbcp2.BasicDataSource;
public class MyDataSource {
	public static DataSource getDataSource(String connectURI){
		BasicDataSource ds = new BasicDataSource();
		 //MySQL的jdbc驱动
		ds.setDriverClassName("com.mysql.jdbc.Driver");
		ds.setUsername("root");              //所要连接的数据库名
		ds.setPassword("112233");                //MySQL的登陆密码
		ds.setUrl(connectURI);
		return ds;
	}
}

下面是MYSQLControl，主要使用QueryRunner方法操作数据库，使用时是batch方法。

package db;
import java.sql.SQLException;
import java.util.List;
import javax.sql.DataSource;
import org.apache.commons.dbutils.QueryRunner;

import model.JdModel;
/*
 * author qianyang 1563178220@qq.com
 * Mysql操作的QueryRunner方法
 * 一个数据库操作类，别的程序直接调用即可
 */
public class MYSQLControl {
	
	//根据自己的数据库地址修改
	static DataSource ds = MyDataSource.getDataSource("jdbc:mysql://127.0.0.1:3306/moviedata");
	static QueryRunner qr = new QueryRunner(ds);
	//第一类方法
	public static void executeUpdate(String sql){
		try {
			qr.update(sql);
		} catch (SQLException e) {
			e.printStackTrace();
		}
	}
	//第二类数据库操作方法
	public static void executeInsert(List<JdModel> jingdongdata) throws SQLException {
		/*
		 * 定义一个Object数组，行列
		 * 3表示列数，根据自己的数据定义这里面的数字
		 * params[i][0]等是对数组赋值，这里用到集合的get方法
		 * 
		 */
		Object[][] params = new Object[jingdongdata.size()][3];
		for ( int i=0; i<params.length; i++ ){
			params[i][0] = jingdongdata.get(i).getBookID();
			params[i][1] = jingdongdata.get(i).getBookName();
			params[i][2] = jingdongdata.get(i).getBookPrice();
		}
		qr.batch("insert into jingdongbook (bookID, bookName, bookPrice)"
				+ "values (?,?,?)", params);
		System.out.println("执行数据库完毕！"+"成功插入数据："+jingdongdata.size()+"条");
		
	}
}

##再看main方法在main方法中有这样一句程序，这便是调用了操作数据库MYSQLControl程序，将抓取的数据插入到数据库中了

MYSQLControl.executeInsert(bookdatas);

#爬虫效果展示到此，便完成了这个简单网络爬虫的编程工作，下面来看看程序运行的结果吧。

数据库中的结果如下：

有什么不明白的，请发邮件至1563178220@qq.com 合肥工业大学 qianyang

package model; public class JdModel { private String bookID; private String bookName; private String bookPrice; public String getBookID() { return bookID; } public void setBookID(String bookID) { this.bookID = bookID; } public String getBookName() { return bookName; } public void setBookName(String bookName) { this.bookName = bookName; } public String getBookPrice() { return bookPrice; } public void setBookPrice(String bookPrice) { this.bookPrice = bookPrice; } }

package main; import java.util.List; import org.apache.commons.logging.Log; import org.apache.commons.logging.LogFactory; import org.apache.http.client.HttpClient; import org.apache.http.impl.client.DefaultHttpClient; import db.MYSQLControl; import model.JdModel; import util.URLFecter; public class JdongMain { //log4j的是使用，不会的请看之前写的文章 static final Log logger = LogFactory.getLog(JdongMain.class); public static void main(String[] args) throws Exception { //初始化一个httpclient HttpClient client = new DefaultHttpClient(); //我们要爬取的一个地址，这里可以从数据库中抽取数据，然后利用循环，可以爬取一个URL队列 String url="http://search.jd.com/Search?keyword=Python&enc=utf-8&book=y&wq=Python&pvid=33xo9lni.p4a1qb"; //抓取的数据 List<JdModel> bookdatas=URLFecter.URLParser(client, url); //循环输出抓取的数据 for (JdModel jd:bookdatas) { logger.info("bookID:"+jd.getBookID()+"\t"+"bookPrice:"+jd.getBookPrice()+"\t"+"bookName:"+jd.getBookName()); } //将抓取的数据插入数据库 MYSQLControl.executeInsert(bookdatas); } }

package util; import java.util.ArrayList; import java.util.List; import org.apache.http.HttpResponse; import org.apache.http.client.HttpClient; import org.apache.http.util.EntityUtils; import model.JdModel; import parse.JdParse; public class URLFecter { public static List<JdModel> URLParser (HttpClient client, String url) throws Exception { //用来接收解析的数据 List<JdModel> JingdongData = new ArrayList<JdModel>(); //获取网站响应的html，这里调用了HTTPUtils类 HttpResponse response = HTTPUtils.getRawHtml(client, url); //获取响应状态码 int StatusCode = response.getStatusLine().getStatusCode(); //如果状态响应码为200，则获取html实体内容或者json文件 if(StatusCode == 200){ String entity = EntityUtils.toString (response.getEntity(),"utf-8"); JingdongData = JdParse.getData(entity); EntityUtils.consume(response.getEntity()); }else { //否则，消耗掉实体 EntityUtils.consume(response.getEntity()); } return JingdongData; } }

package util; import java.io.IOException; import org.apache.http.HttpResponse; import org.apache.http.HttpStatus; import org.apache.http.HttpVersion; import org.apache.http.client.HttpClient; import org.apache.http.client.methods.HttpGet; import org.apache.http.message.BasicHttpResponse; public abstract class HTTPUtils { public static HttpResponse getRawHtml(HttpClient client, String personalUrl) { //获取响应文件，即html，采用get方法获取响应数据 HttpGet getMethod = new HttpGet(personalUrl); HttpResponse response = new BasicHttpResponse(HttpVersion.HTTP_1_1, HttpStatus.SC_OK, "OK"); try { //执行get方法 response = client.execute(getMethod); } catch (IOException e) { e.printStackTrace(); } finally { // getMethod.abort(); } return response; } }

package parse; import java.util.ArrayList; import java.util.List; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; import model.JdModel; /* * author qianyang 1563178220@qq.com * 用于将上面传下来的html解析，获取我们需要的内容 * 解析方式，采用Jsoup解析，有不明白Jsoup的可以上网搜索API文档 * Jsoup是一款很简单的html解析器 */ public class JdParse { public static List<JdModel> getData (String html) throws Exception{ //获取的数据，存放在集合中 List<JdModel> data = new ArrayList<JdModel>(); //采用Jsoup解析 Document doc = Jsoup.parse(html); //获取html标签中的内容 Elements elements=doc.select("ul[class=gl-warp clearfix]").select("li[class=gl-item]"); for (Element ele:elements) { String bookID=ele.attr("data-sku"); String bookPrice=ele.select("div[class=p-price]").select("strong").select("i").text(); String bookName=ele.select("div[class=p-name]").select("em").text(); //创建一个对象，这里可以看出，使用Model的优势，直接进行封装 JdModel jdModel=new JdModel(); //对象的值 jdModel.setBookID(bookID); jdModel.setBookName(bookName); jdModel.setBookPrice(bookPrice); //将每一个对象的值，保存到List集合中 data.add(jdModel); } //返回数据 return data; } }

package db; import javax.sql.DataSource; import org.apache.commons.dbcp2.BasicDataSource; public class MyDataSource { public static DataSource getDataSource(String connectURI){ BasicDataSource ds = new BasicDataSource(); //MySQL的jdbc驱动 ds.setDriverClassName("com.mysql.jdbc.Driver"); ds.setUsername("root"); //所要连接的数据库名 ds.setPassword("112233"); //MySQL的登陆密码 ds.setUrl(connectURI); return ds; } }

package db; import java.sql.SQLException; import java.util.List; import javax.sql.DataSource; import org.apache.commons.dbutils.QueryRunner; import model.JdModel; /* * author qianyang 1563178220@qq.com * Mysql操作的QueryRunner方法 * 一个数据库操作类，别的程序直接调用即可 */ public class MYSQLControl { //根据自己的数据库地址修改 static DataSource ds = MyDataSource.getDataSource("jdbc:mysql://127.0.0.1:3306/moviedata"); static QueryRunner qr = new QueryRunner(ds); //第一类方法 public static void executeUpdate(String sql){ try { qr.update(sql); } catch (SQLException e) { e.printStackTrace(); } } //第二类数据库操作方法 public static void executeInsert(List<JdModel> jingdongdata) throws SQLException { /* * 定义一个Object数组，行列 * 3表示列数，根据自己的数据定义这里面的数字 * params[i][0]等是对数组赋值，这里用到集合的get方法 * */ Object[][] params = new Object[jingdongdata.size()][3]; for ( int i=0; i<params.length; i++ ){ params[i][0] = jingdongdata.get(i).getBookID(); params[i][1] = jingdongdata.get(i).getBookName(); params[i][2] = jingdongdata.get(i).getBookPrice(); } qr.batch("insert into jingdongbook (bookID, bookName, bookPrice)" + "values (?,?,?)", params); System.out.println("执行数据库完毕！"+"成功插入数据："+jingdongdata.size()+"条"); } }

DataLearner 官方微信