Java爬虫实践:Jsoup+HttpUnit爬取今日头条、网易、搜狐、凤凰新闻
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("${news.neteasy.url}")
private String url;
@Autowired
private NewsService newsService;
@Override
public void pullNews() {
logger.info("开始拉取网易热门新闻!");
// 1.获取首页
Document html= null;
try {
html = getHtmlFromUrl(url, false);
} catch (Exception e) {
logger.error("==============获取网易新闻首页失败: {}=============", url);
e.printStackTrace();
return;
}
// 2.jsoup获取指定标签
Elements newsA = html.select("div#whole")
.next("div.area-half.left")
.select("div.tabContents")
.first()
.select("tbody > tr")
.select("a[href~=^http://news.163.com.*]");
// 3.从标签中抽取信息,封装成news
HashSet<News> newsSet = new HashSet<>();
newsA.forEach(a -> {
String url = a.attr("href");
News n = new News();
n.setSource("网易");
n.setUrl(url);
n.setCreateDate(new Date());
newsSet.add(n);
});
// 4.根据url访问新闻,获取新闻内容
newsSet.forEach(news -> {
logger.info("开始抽取新闻内容:{}", news.getUrl());
Document newsHtml = null;
try {
newsHtml = getHtmlFromUrl(news.getUrl(), false);
Elements newsContent = newsHtml.select("div#endText");
Elements titleP = newsContent.select("p.otitle");
String title = titleP.text();
title = title.substring(5, title.length() - 1);
String image = NewsUtils.getImageFromContent(newsContent.toString());
news.setTitle(title);
news.setContent(newsContent.toString());
news.setImage(image);
newsService.saveNews(news);
logger.info("抽取网易新闻《{}》成功!", news.getTitle());
} catch (Exception e) {
logger.error("新闻抽取失败:{}", news.getUrl());
e.printStackTrace();
}
});
logger.info("网易新闻拉取完成!");
}
}
0x2 今日头条爬虫
由于今日头条页面中的新闻是通过ajax获取后加载的,因此需要使用httpunit进行抓取。
主要代码如下:
@Component("toutiaoNewsPuller")
public class ToutiaoNewsPuller implements NewsPuller {
private static final Logger logger = LoggerFactory.getLogger(ToutiaoNewsPuller.class);
private static final String TOUTIAO_URL = "https://www.toutiao.com";
@Autowired
private NewsService newsService;
@Value("${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(.comment)")) {
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 = Pattern.compile(regex);
Matcher matcher = pattern.matcher(script.toString());
if (matcher.find()) {
String content = matcher.group(1)
.replace("<", "<")
.replace(">", ">")
.replace(""", "\"")
.replace("=", "=");
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.com/13878196/2394620
Java爬虫实践:Jsoup+HttpUnit爬取今日头条、网易、搜狐、凤凰新闻相关推荐
- 今日头条 爬虫 java_Java爬虫实践:Jsoup+HttpUnit爬取今日头条、网易、搜狐、凤凰新闻...
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 ...
- python编程100例头条-python爬虫演示:以爬取今日头条为例
编者按 众所周知,Python是一门编程语言,操作简洁而清晰.功能专业而强大.入门容易又严谨.2018年,教育部正式将人工智能.物联网.大数据处理划入高中课程,这就意味着,现在的中学生开始就要学习编程 ...
- [爬虫笔记01] Ajax爬取今日头条文章
1.爬取分析 我们首先打开今日头条,搜索"罗志祥" 打开浏览器的开发者工具,红色框中就是我们请求到的数据 将搜索界面的滚动条滑到底,在开发者工具中就可以看到所有请求到的数据,加上前 ...
- python获取今日头条搜索信息_python爬虫(十二、爬取今日头条关键词所有文章)
今日头条 我们以搜索'妹子'为例 那 么 我 们 在 右 上 角 的 搜 索 框 搜 索 妹 子 , 出 来 了 一 系 列 文 章 那么我们在右上角的搜索框搜索妹子,出来了一系列文章那么我们在右上角 ...
- java爬取今日头条文章
闲来无事,写了个爬虫爬取今日头条的文章信息,然后使用ECharts展示出统计结果. 那么怎样爬取今日头条的信息呢? 首先,分析头条页面 文章是通过ajax获取的 所以要找到调用的url,然后跟踪代码查 ...
- python爬虫今日头条_python爬虫—分析Ajax请求对json文件爬取今日头条街拍美图
python爬虫-分析Ajax请求对json文件爬取今日头条街拍美图 前言 本次抓取目标是今日头条的街拍美图,爬取完成之后,将每组图片下载到本地并保存到不同文件夹下.下面通过抓取今日头条街拍美图讲解一 ...
- java爬虫的2种爬取方式(HTTP||Socket)简单Demo(一)
转载自 java爬虫的2种爬取方式(HTTP||Socket)简单Demo(一) 最近在找java的小项目自己写着玩,但是找不到合适的,于是写开始学一点爬虫,自己也是感觉爬虫比较有趣.这里自己找了一个 ...
- 利用Ajax爬取今日头条头像,街拍图片。关于崔庆才python爬虫爬取今日头条街拍内容遇到的问题的解决办法。
我也是初学爬虫,在看到崔庆才大佬的爬虫实战:爬取今日头条街拍美图时,发现有些内容过于陈旧运行程序时已经报错,网页的源代码早已不一样了.以下是我遇到的一些问题. 1.用开发者选项筛选Ajax文件时预览看 ...
- Python爬虫:爬取今日头条“街拍”图片(修改版)
前言 在参考<Python3网络爬虫开发实战>学习爬虫时,练习项目中使用 requests ajax 爬取今日头条的"街拍"图片,发现书上的源代码有些已经不适合现在了, ...
最新文章
- LeetCode简单题之按奇偶排序数组
- js模仿flash写字动画
- 使用ramdisk 优化nagios IO性能
- YJX_rxjh_10_2.5.2
- 《现代操作系统》第1章读书笔记-- 引论(未完成)
- 旅行场景下的个性化营销平台揭秘
- Angular 内容投影 content projection 关于选择器问题的单步调试
- DNS域传输漏洞利用总结
- 证明randomized quicksort的平均running time为nlgn 的数学过程
- 微信存储空间占用问题
- 安卓第三方接入登陆-新浪登陆
- openwrt路由器安装Transmission软件包与web控制台(中文界面)
- 按键精灵X学习笔记(二):键盘命令
- Vue+Echarts实现饼图统计通过率
- 腾讯云数据库SaaS致力于构建数据库分布式云,为更多更广的用户提供服务
- Javafx 实现国际象棋游戏
- REINFORCE和A2C的异同
- 鸿蒙升级包7g,首个华为鸿蒙2.0续航测试来了!实打实10%提升
- 防百度云加速html,百度云加速3.0轻松应对全球最大DDoS攻击
- linux运行python