使用Hutool爬取开源中国的开源资讯

原创
2017/11/19 21:29
阅读数 6.2K

介绍

为了演示Hutool-http的http请求功能,因此这个栗子用红薯家的开源资讯开刀,在此做个简单的Demo。

开始

分析页面

  1. 打开红薯家的主页,我们找到最显眼的开源资讯模块,然后点击“更多”,打开“开源资讯”板块。

  1. 打开F12调试器,点击快捷键F12打开Chrome的调试器,点击“Network”选项卡,然后在页面上点击“全部资讯”。

  1. 由于红薯家的列表页是通过下拉翻页的,因此下拉到底部会触发第二页的加载,此时我们下拉到底部,然后观察调试器中是否有新的请求出现。如图,我们发现第二个请求是列表页的第二页。

  1. 我们打开这个请求地址,可以看到纯纯的内容。红框所指地址为第二页的内容,很明显p参数代表了页码page。

  1. 我们右键点击后查看源码,可以看到源码。

  1. 找到标题部门的HTML源码,然后搜索这个包围这个标题的HTML部分,看是否可以定位标题。

至此分析完毕,我们拿到了列表页的地址,也拿到了可以定位标题的相关字符(在后面用正则提取标题用),就可以开始使用Hutool编码了。

模拟Http请求爬取页面

使用Hutool-http配合ReUtil请求并提取页面内容非常简单,代码如下:

//请求列表页
String listContent = HttpUtil.get("http://www.oschina.net/action/ajax/get_more_news_list?newsType=&p=2");
//使用正则获取所有标题
List<String> titles = ReUtil.findAll("<span class=\"text-ellipsis\">(.*?)</span>", listContent, 1);
for (String title : titles) {
	//打印标题
	Console.log(title);
}

抓取结果为:

其实核心就前两行代码,第一行请求页面内容,第二行正则定位所有标题行并提取标题部分。

这里我解释下正则部分:ReUtil.findAll方法用于查找所有匹配正则表达式的内容部分,第二个参数1表示提取第一个括号(分组)中的内容,0表示提取所有正则匹配到的内容。这个方法可以看下core模块中ReUtil章节了解详情。

<span class=\"text-ellipsis\">(.*?)</span>这个正则就是我们上面分析页面源码后得到的正则,其中(.*?)表示我们需要的内容,.表示任意字符,*表示0个或多个,?表示最短匹配,整个正则的意思就是。,以<span class=\"text-ellipsis\">开头,</span>结尾的中间所有字符,中间的字符要达到最短。?的作用其实就是将范围限制到最小,不然</span>很可能匹配到后面去了。

关于正则表达式这块可以看下我的博客:正则表达式简明参考

结语

不得不说,抓取本身并不困难,尤其配合Hutool会让这项工作变得更加简单快速,而其中的难点便是分析页面和定位我们需要的内容。

真正的内容抓取分为连个部分:

  • 找到列表页(很多网站都没有一个总的列表页)
  • 请求列表页,获取详情页地址
  • 请求详情页并使用正则匹配我们需要的内容
  • 入库或将内容保存为文件

而且在抓取过程中我们也会遇到各种问题,包括但不限于:

  • 封IP
  • 对请求Header有特殊要求
  • 对Cookie有特殊要求
  • 验证码

这些问题都有一些解决办法,具体要在具体的开发中分析解决。

希望大家看到这个栗子有所启发,也为Hutool提供更多更好的意见~

展开阅读全文
打赏
8
92 收藏
分享
加载中

引用来自“两广总督bogang”的评论

HtmlUnit可以取不到京东的秒杀价(3648.00)

引用来自“zlikun”的评论

有可有价格是通过Ajax请求生成的,普通的爬虫不具备执行js的通力,所以无法得到这个值。
需要嵌套浏览器内核的爬虫库来搞,把页面下到本地渲染完了再爬
2017/11/30 16:33
回复
举报
路小磊博主

引用来自“在下路哥”的评论

引用来自“路小磊”的评论

引用来自“在下路哥”的评论

怎么查看下拉翻页的js和效果是怎么弄的?不会看

这你就要问红薯了

回复@路小磊 : 怎么在f12那里看,我不会找

这个就要自行百度了哦
2017/11/22 19:04
回复
举报

引用来自“路小磊”的评论

引用来自“在下路哥”的评论

怎么查看下拉翻页的js和效果是怎么弄的?不会看

这你就要问红薯了

回复@路小磊 : 怎么在f12那里看,我不会找
2017/11/22 18:01
回复
举报
路小磊博主

引用来自“宇润”的评论

红薯很感动,然后封杀了这种采集方法

当然是交了保护费滴,哈哈
2017/11/22 17:19
回复
举报
路小磊博主

引用来自“在下路哥”的评论

怎么查看下拉翻页的js和效果是怎么弄的?不会看

这你就要问红薯了
2017/11/22 17:18
回复
举报
红薯很感动,然后封杀了这种采集方法
2017/11/22 15:30
回复
举报
怎么查看下拉翻页的js和效果是怎么弄的?不会看
2017/11/22 14:13
回复
举报
路小磊博主

引用来自“爱喝貓的咖啡”的评论

为什么都不刨妹子图了?

你可以刨后发出来,哈哈。
2017/11/22 11:45
回复
举报
路小磊博主

引用来自“开源中国首席男司机”的评论

python request bs4蜜汁微笑。。。

Python确实也是我的第一选择,语言不重要,顺便说下,使用Hutool并不比python麻烦哦。
2017/11/22 11:45
回复
举报

引用来自“obhen”的评论

请大声告诉我,红薯家的主流颜色是啥?
原谅绿!
2017/11/22 10:24
回复
举报
更多评论
打赏
20 评论
92 收藏
8
分享
返回顶部
顶部