簡單爬蟲技術之爬取之--般網(wǎng)頁

背景

一般互聯(lián)網(wǎng)公司還有數(shù)據(jù)分析公司,喜歡使用爬蟲爬取頁面,并進行數(shù)據(jù)分析.爬蟲的數(shù)據(jù)種類很多,由于本人僅接觸java技術,所以只提供簡單的java爬蟲技術.感謝網(wǎng)絡上那么多的資料分享.現(xiàn)就我自己經(jīng)驗,編寫一個java的demo.

爬取頁面

目前有很多網(wǎng)站做了爬蟲反扒技術,只有一些服務器比較牛的公司(暫且這么說吧),經(jīng)得起爬蟲爬取頁面,像新浪微博的頁面,爬蟲技術爬取就比較困難了,現(xiàn)在以容易爬取的頁面為例,使用GET方式,爬取路徑:

http://top.baidu.com/buzz?b=259&c=9&fr=topbuzz_b612_c9(百度的歷史人物數(shù)據(jù),這個比較方便挑選關鍵數(shù)據(jù),比如人物名稱,人物簡介,相關貼吧和相關視頻,本文僅獲取內(nèi)容并保存到文件.)另外百度搜索還支持榜單的嵌入定制,很方便的,嵌入條件如下圖.

Demo代碼

Get請求類

package yuxiSoftware.cn.demo;

import java.io.IOException;

import org.apache.http.HttpEntity;

import org.apache.http.ParseException;

import org.apache.http.client.ClientProtocolException;

import org.apache.http.client.methods.CloseableHttpResponse;

import org.apache.http.client.methods.HttpGet;

import org.apache.http.impl.client.CloseableHttpClient;

import org.apache.http.impl.client.HttpClients;

import org.apache.http.util.EntityUtils;

/**

* Get請求獲取頁面內(nèi)容

* @author yuxiSoftware

*/

public class HttpRequestBean {

public String getMethod(String uri) {

// 創(chuàng)建默認httpclient實例

CloseableHttpClient httpClient = HttpClients.createDefault();

try {

// 創(chuàng)建httpGet

HttpGet httpGet = new HttpGet(uri);

// 執(zhí)行get請求

CloseableHttpResponse response = httpClient.execute(httpGet);

try {

// 獲取響應實體

HttpEntity entity = response.getEntity();

// 獲取響應狀態(tài)

System.out.println(response.getStatusLine());

if (entity != null) {

// 響應內(nèi)容

return EntityUtils.toString(entity, "gb2312");

}

} catch (ParseException e) {

// TODO Auto-generated catch block

e.printStackTrace();

} finally {

response.close();

}

} catch (ClientProtocolException e) {

// TODO Auto-generated catch block

e.printStackTrace();

} catch (IOException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

return "";

}

}

爬取內(nèi)容輸出類

package yuxiSoftware.cn.demo;

import java.io.File;

import java.io.FileNotFoundException;

import java.io.FileOutputStream;

import java.io.IOException;

import java.io.OutputStream;

/**

* 文件輸出類

* @author yuxiSoftware

*

*/

public class OutPutToFile {

public void writeFile(String s,String url){

File f = new File(url);

OutputStream out = null;

try {

out = new FileOutputStream(f);

} catch (FileNotFoundException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

byte b [] = s.getBytes();

try {

out.write(b);

} catch (IOException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

try {

out.close();

} catch (IOException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

}

}

main方法類

package yuxiSoftware.cn.demo;

/**

* 爬蟲小demo

* @author yuxiSoftware

*

*/

public class WormDemo {

public static void main(String[] args) {

String url = "http://top.baidu.com/buzz?b=259&c=9&fr=topbuzz_b612_c9";

OutPutToFile outPutToFile = new OutPutToFile();

HttpRequestBean httpRequestBean = new HttpRequestBean();

String s = httpRequestBean.getMethod(url);

String fileurl = "C:\\Users\\yuxiSoftware\\Desktop\\百度爬取頁面.txt";

outPutToFile.writeFile(s, fileurl);

}

}

輸出結果


說明

該java技術,僅供大家學習娛樂使用,非商業(yè)用途,如有不妥之處,請聯(lián)系作者刪除,謝謝!.

最后編輯于
?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成,瀏覽時請結合常識與多方信息審慎甄別。
平臺聲明:文章內(nèi)容(如有圖片或視頻亦包括在內(nèi))由作者上傳并發(fā)布,文章內(nèi)容僅代表作者本人觀點,簡書系信息發(fā)布平臺,僅提供信息存儲服務。

相關閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容