文档章节

抓取人人网高校数据----仅供学习

小雪纷飞
 小雪纷飞
发布于 2016/12/08 15:10
字数 744
阅读 96
收藏 1

获取人人网的高校数据。

人人网的院系接口,参数为高校id:    http://www.renren.com/GetDep.do?id=

人人网  (国家/省/高校 js文件):   http://s.xnimg.cn/a13819/allunivlist.js

仅供学习参考

仅供学习参考

仅供学习参考

1.通过fastJson解析获取到的高校json

2.通过正则表达式解析获取到的院系html

package com.test;

import java.io.File;
import java.io.IOException;
import java.io.PrintStream;
import java.util.UUID;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.HttpClient;
import org.apache.http.client.ResponseHandler;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.BasicResponseHandler;
import org.apache.http.impl.client.DefaultHttpClient;

import com.alibaba.fastjson.JSONArray;
import com.alibaba.fastjson.JSONObject;
  
/**
 * @desc 获取人人网高校数据
 * @author wjw
 * @date 2016年12月8日下午1:21:01
 */
public class GetSchoolSQL {  
    // 构建省的sql文件  
    public static File provinceFile = new File("D:/province.sql");  
    // 构建高校的sql文件  
    public static File schoolFile = new File("D:/school.sql");  
    // 构建院系的sql文件  
    public static File depFile = new File("D:/dep.sql");  
  
    
    public static void getDate() throws ClientProtocolException, IOException{
    	 HttpClient client = new DefaultHttpClient();  
         ResponseHandler<String> responseHandler = new BasicResponseHandler();  
         String depUrl = "http://www.renren.com/GetDep.do?id=";
         String allunivs = "http://s.xnimg.cn/a13819/allunivlist.js";
         HttpGet get = new HttpGet(allunivs);  
         StringBuffer sb = new StringBuffer(client.execute(get, responseHandler));  
         String str=sb.toString();
         System.out.println("获取高校js文件完成,下一步解析js文件的JSON数据:");
         
         JSONArray objList= JSONObject.parseArray(str.substring(str.indexOf("[{")));//获取json部分
         // 对获取jsonarry  取中国部分id="00"
         JSONArray china = null;//取中国部分provs
         if(objList!=null){
     		for(int i=0;i<objList.size();i++){
     			JSONObject obj=objList.getJSONObject(i);
     			if(obj.getIntValue("id") != 00){//搞不懂json中国家id为字符串这里需要int类型判断
     				continue;
     			}else{
     				china=obj.getJSONArray("provs");
     			}
     		}
     	}
         System.out.println("中国高校JSON数据:\r\n"+china.toJSONString());
         System.out.println("=============================开始解析JSON==================================");
         StringBuilder provinceSql = new StringBuilder();//省sql
         StringBuilder schoolSql = new StringBuilder();//大学sql
         StringBuilder depSql = new StringBuilder();//院系sql
 		for(int i=0;china!=null && i<china.size();i++){//遍历省
 			JSONObject pObj=china.getJSONObject(i);
 			provinceSql.append("insert into province(pro_id,pro_name)values('"+pObj.getIntValue("id")+ "','"+ convertFromHex(pObj.getString("name")) + "');\n");
 			
 			JSONArray univs = pObj.getJSONArray("univs");//univs 获取省学校集合
     		for(int j=0;univs!=null && j<univs.size();j++){//遍历省学校
     			JSONObject sObj=univs.getJSONObject(j);
     			//添加省学校sql
     			schoolSql.append("insert into school(pro_id,sch_id,sch_name)values('"+pObj.getIntValue("id")+ "','"+ sObj.getIntValue("id")+ "','"+ convertFromHex(sObj.getString("name"))+"');\n");
     			//获取学校院系
     			HttpGet getDep = new HttpGet(depUrl + sObj.getIntValue("id"));
     			ResponseHandler<String> depHandler = new BasicResponseHandler();  
     			String depHtml=client.execute(getDep, depHandler);//获取院系html
     			
// 	    			下面解析学校对应的院系html
             	Pattern pattern = Pattern.compile("<option value='&#(.*?)</option>",Pattern.MULTILINE); //排除value为空的项 
                 Matcher matcher = pattern.matcher(depHtml);  
         		while (matcher.find()) {
         			String value = "";
         			String data = matcher.group();// date结果为<option value='&#20854;&#23427;&#38498;&#31995;'>&#20854;&#23427;&#38498;&#31995;</option>
         			Pattern p = Pattern.compile("value='(.*?)'", Pattern.MULTILINE);
         			Matcher m = p.matcher(data);
         			if (m.find()) {
         				value = m.group(1);
         			}
         			String id = UUID.randomUUID().toString().replaceAll("-", "").toUpperCase();
         			depSql.append("insert into dep(id,sch_id,dep_name)values('"+id+"','"+sObj.getIntValue("id") +"','"+convertFromDec(value)+"');\n");
         		}
     		}
 			
 		}
              
         System.out.println("=============================JSON解析完成==================================");
         PrintStream ps = new PrintStream(provinceFile);  
         ps.print(provinceSql.toString());  
         ps.close();  
   
         PrintStream ps2 = new PrintStream(schoolFile);  
         ps2.print(schoolSql.toString());  
         ps2.close();  
   
         PrintStream ps3 = new PrintStream(depFile);  
         ps3.print(depSql.toString());  
         ps3.close();
         System.out.println("sql文件已经生成!");
         System.out.println("省sql文件"+provinceFile.getAbsolutePath());
         System.out.println("学校sql文件"+schoolFile.getAbsolutePath());
         System.out.println("院系sql文件"+depFile.getAbsolutePath());
    }
  
	public static void main(String[] args){
		try {
			getDate();
		} catch (IOException e) {
			e.printStackTrace();
		}
	}
  
    // 转换&#xxxxx;形式Unicode  
    private static String convertFromDec(String code) {  
        StringBuffer sb = new StringBuffer(code);  
        int startPos;  
        int endPos;  
        while ((startPos = sb.indexOf("&#")) > -1) {  
            endPos = sb.indexOf(";");  
            String tmp = sb.substring(startPos + 2, endPos);  
            sb.replace(startPos, endPos + 1, Character.toString((char) Integer  
                    .parseInt(tmp, 10)));  
        }  
        return code = sb.toString();  
    }  
  
    // 转换16进制的Unicode,  
    private static String convertFromHex(String code) {  
        StringBuffer sb = new StringBuffer(code);  
        int pos;  
        while ((pos = sb.indexOf("\\u")) > -1) {  
            String tmp = sb.substring(pos, pos + 6);  
            sb.replace(pos, pos + 6, Character.toString((char) Integer  
                    .parseInt(tmp.substring(2), 16)));  
        }  
        return code = sb.toString();  
    }  

}  

 

© 著作权归作者所有

共有 人打赏支持
上一篇: 线程问题
小雪纷飞
粉丝 4
博文 15
码字总数 8311
作品 1
武汉
个人站长
私信 提问
用HttpClient抓取人人网高校数据库(省,高校,院系三级级联)--更新1

更新备注:将src文件改成了一个完整的项目,解压后可以直接导入到Eclipse中去,省去大家配置(项目乱码请改项目属性为GBK)。另外,如果你要登陆人人网 的话,需要申请一个人人网账号。这里提...

倚小丁
2011/04/17
0
4
Python3抓取糗百、不得姐、kanqu.com

测试电脑配置有点低,正常配置速度会比较快. 有问题可以加群:544471255 交流. 使用必看: 1.该代码使用Python3.6+版本; 2.需要安装依赖库如下(可使用类似:pip install requests进行安装.下面...

Q544471255
2017/05/06
0
0
HTTPClient模拟登陆人人网

目的: 使用HTTPClient4.0.1登录到人人网,并从特定的网页抓取数据。 总结&注意事项: HttpClient(DefaultHttpClient)代表了一个会话,在同一个会话中,HttpClient对cookie自动进行管理(当然,...

落落的月
2012/05/11
0
0
Python爬取QQ空间信息(下)

本文转载至知乎ID:Charles(白露未晞)知乎个人专栏 导语 内容回顾: Python爬取QQ空间信息(上) 按照(上)中的安排,本期内容为抓取QQ空间的好友信息并做可视化分析。 不过图省事,我只抓...

W3Cschool小编
07/24
0
0
python爬虫抓取站长之家IP库,仅供练习用!

python爬虫抓取站长之家IP库,单线程的,仅供练习,IP库数据有43亿条,如果按此种方法抓取至少得数年,所以谨以此作为练手,新手代码很糙,请大家见谅。 #!/usr/bin/python coding=UTF-8 imp...

苍狼牧
2017/03/13
0
0

没有更多内容

加载失败,请刷新页面

加载更多

颜色模型与颜色应用---RGB颜色模型

中国龙-扬科
2分钟前
0
0
网络优化-tcp和udp的协作

TODO

梦想游戏人
5分钟前
0
0
list和数组转化

Java中List转换为数组,数组转List List转换为Array可以这样处理: ArrayList<String> list=new ArrayList<String>(); String[] strings = new String[list.size()]; list.toArray(strings);......

west_coast
5分钟前
0
0
LSP 商户端API

Your domain:                  lsp-api-merchant.hhs2717.cnVirtualhost conf:             /usr/local/nginx/conf/vhost/lsp-api-merchant.hhs2717.cn.confDirectory of:......

BeanHo
14分钟前
0
0
设计模式 之 访问者模式

设计模式 之 访问者模式 概念 核心理念:将数据结构与算法分离。 使用场景:数据结构不变动,算法经常变动。 1、一个Visitor类存放被访问的对象,访问者主要处理具体算法与行为。 // 访问者...

GMarshal
19分钟前
0
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部