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。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。

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;

/*

* 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;

/*

* 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：

（完）

大家如果想要更深入了解java相关知识，私信我回复：【Java】 即可知道你们想要知道的java相关问题