部落格搬家系列(四)-爬取簡書文章
部落格搬家系列(四)-爬取簡書文章
一.前情回顧
部落格搬家系列(一)-簡介:https://blog.csdn.net/rico_zhou/article/details/83619152
部落格搬家系列(二)-爬取CSDN部落格:https://blog.csdn.net/rico_zhou/article/details/83619509
部落格搬家系列(三)-爬取部落格園部落格:https://blog.csdn.net/rico_zhou/article/details/83619525
部落格搬家系列(五)-爬取開源中國部落格:https://blog.csdn.net/rico_zhou/article/details/83619561
部落格搬家系列(六)-爬取今日頭條文章:https://blog.csdn.net/rico_zhou/article/details/83619564
部落格搬家系列(七)-本地WORD文件轉HTML:https://blog.csdn.net/rico_zhou/article/details/83619573
部落格搬家系列(八)-總結:https://blog.csdn.net/rico_zhou/article/details/83619599
二.開幹(獲取文章URL集合)
爬取簡書的文章思路跟CSDN一樣,且下載圖片那一步更為簡單,任何header都不需要設定,同樣,我們找一個文章比較多的主頁為例分析原始碼,如
我們點選XHR(XMLHttpRequest)檢視請求如下
暫時沒啥有用資訊,此時我們緩慢滾動滑鼠讓其繼續載入文章列表,我們發現多了一條請求:?order_by=shared_at&page=2
猜測page=2即表示文章的頁數,將url複製到瀏覽器開啟,可以看到正是下一頁的文章,此時文章url的規律找到,接下來右擊檢視原始碼尋找包含文章url的標籤,可以發現,文章的url在class為note-list的ul標籤下的子標籤,class為content的div內,這就好辦了,程式碼如下:注意url不完整,需要補充拼接一下
/**
* @date Oct 17, 2018 12:30:46 PM
* @Desc
* @param blogMove
* @param oneUrl
* @return
* @throws IOException
* @throws MalformedURLException
* @throws FailingHttpStatusCodeException
*/
public void getJianShuArticleUrlList(Blogmove blogMove, String oneUrl, List<String> urlList)
throws FailingHttpStatusCodeException, MalformedURLException, IOException {
// 模擬瀏覽器操作
// 建立WebClient
WebClient webClient = new WebClient(BrowserVersion.CHROME);
// 關閉css程式碼功能
webClient.getOptions().setThrowExceptionOnScriptError(false);
webClient.getOptions().setCssEnabled(false);
// 如若有可能找不到檔案js則加上這句程式碼
webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
// 獲取第一級網頁html
HtmlPage page = webClient.getPage(oneUrl);
// System.out.println(page.asXml());
Document doc = Jsoup.parse(page.asXml());
Element pageMsg22 = doc.select("ul.note-list").first();
if (pageMsg22 == null) {
return;
}
Elements pageMsg = pageMsg22.select("div.content");
Element linkNode;
for (Element e : pageMsg) {
linkNode = e.select("a.title").first();
if (linkNode == null) {
continue;
}
if (urlList.size() < blogMove.getMoveNum()) {
urlList.add(BlogConstant.BLOG_BLOGMOVE_WEBSITE_BASEURL_JIANSHU + linkNode.attr("href"));
} else {
break;
}
}
return;
}
獲取url集合如下注意url不完整,需要補充拼接一下
三.開幹(獲取文章具體資訊)
同樣,我們還是開啟一篇博文,以爬蟲框架htmlunit整合springboot不相容的問題為例,使用Chrome開啟,我們可以看到一些基本資訊,如文章的型別為原創,標題,時間,作者,閱讀數,文章文字資訊,圖片資訊等
這裡需要特別注意一下的就是時間的獲取,簡書文章時間顯示並不是唯一,如他會將時間進行一些改變顯示,這裡需要注意一下,將獲取的時間反向解析一下,這裡不再過多講述。
同樣,右擊檢視原始碼找到對應的元素,然後獲取內容
程式碼如下:
/**
* @date Oct 17, 2018 12:46:52 PM
* @Desc 獲取詳細資訊
* @param blogMove
* @param url
* @return
* @throws IOException
* @throws MalformedURLException
* @throws FailingHttpStatusCodeException
*/
public Blogcontent getJianShuArticleMsg(Blogmove blogMove, String url, List<Blogcontent> bList)
throws FailingHttpStatusCodeException, MalformedURLException, IOException {
Blogcontent blogcontent = new Blogcontent();
blogcontent.setArticleSource(blogMove.getMoveWebsiteId());
// 模擬瀏覽器操作
// 建立WebClient
WebClient webClient = new WebClient(BrowserVersion.CHROME);
// 關閉css程式碼功能
webClient.getOptions().setThrowExceptionOnScriptError(false);
webClient.getOptions().setCssEnabled(false);
// 如若有可能找不到檔案js則加上這句程式碼
webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
// 獲取第一級網頁html
HtmlPage page = webClient.getPage(url);
Document doc = Jsoup.parse(page.asXml());
// 獲取標題
String title = BlogMoveJianShuUtils.getJianShuArticleTitle(doc);
// 是否重複去掉
if (blogMove.getMoveRemoveRepeat() == 0) {
// 判斷是否重複
if (BlogMoveCommonUtils.articleRepeat(bList, title)) {
return null;
}
}
blogcontent.setTitle(title);
// 獲取作者
blogcontent.setAuthor(BlogMoveJianShuUtils.getJianShuArticleAuthor(doc));
// 獲取時間
if (blogMove.getMoveUseOriginalTime() == 0) {
blogcontent.setGtmCreate(BlogMoveJianShuUtils.getJianShuArticleTime(doc));
} else {
blogcontent.setGtmCreate(new Date());
}
blogcontent.setGtmModified(new Date());
// 獲取型別
blogcontent.setType(BlogMoveJianShuUtils.getJianShuArticleType(doc));
// 獲取正文
blogcontent.setContent(BlogMoveJianShuUtils.getJianShuArticleContent(doc, blogMove, blogcontent));
// 設定其他
blogcontent.setStatus(blogMove.getMoveBlogStatus());
blogcontent.setBlogColumnName(blogMove.getMoveColumn());
// 特殊處理
blogcontent.setArticleEditor(blogMove.getMoveArticleEditor());
blogcontent.setShowId(DateUtils.format(new Date(), DateUtils.YYYYMMDDHHMMSSSSS));
blogcontent.setAllowComment(0);
blogcontent.setAllowPing(0);
blogcontent.setAllowDownload(0);
blogcontent.setShowIntroduction(1);
blogcontent.setIntroduction("");
blogcontent.setPrivateArticle(1);
return blogcontent;
}
詳細資訊
/**
* @date Oct 17, 2018 1:10:19 PM
* @Desc 獲取標題
* @param doc
* @return
*/
public static String getJianShuArticleTitle(Document doc) {
// 標題
Element pageMsg2 = doc.select("div.note").first().select("h1.title").first();
return pageMsg2.html();
}
/**
* @date Oct 17, 2018 1:10:28 PM
* @Desc 獲取作者
* @param doc
* @return
*/
public static String getJianShuArticleAuthor(Document doc) {
Element pageMsg2 = doc.select("div.note").first().select("span.name").first();
return pageMsg2.text();
}
/**
* @date Oct 17, 2018 1:10:33 PM
* @Desc 獲取時間
* @param doc
* @return
*/
public static Date getJianShuArticleTime(Document doc) {
Element pageMsg2 = doc.select("div.note").first().select("span.publish-time").first();
String date = pageMsg2.html();
// 注意有些格式不正確
return DateUtils.formatStringDate(date, DateUtils.YYYY_MM_DD_HH_MM_SS2);
}
/**
* @date Oct 17, 2018 1:10:37 PM
* @Desc 獲取型別
* @param doc
* @return
*/
public static String getJianShuArticleType(Document doc) {
// Element pageMsg2 =
// doc.select("div.article-title-box").first().select("span.article-type").first();
// if ("原".equals(pageMsg2.html())) {
// return "原創";
// } else if ("轉".equals(pageMsg2.html())) {
// return "轉載";
// } else if ("譯".equals(pageMsg2.html())) {
// return "翻譯";
// }
return "原創";
}
/**
* @date Oct 17, 2018 1:10:41 PM
* @Desc 獲取正文
* @param doc
* @param object
* @param blogcontent
* @return
*/
public static String getJianShuArticleContent(Document doc, Blogmove blogMove, Blogcontent blogcontent) {
Element pageMsg2 = doc.select("div.note").first().select("div.show-content").first();
// 為了圖片顯示正常去掉一個元素
pageMsg2.select("div.image-container-fill").remove();
String content = pageMsg2.toString();
String images;
// 注意是否需要替換圖片
if (blogMove.getMoveSaveImg() == 0) {
// 儲存圖片到本地
// 先獲取所有圖片連線,再按照每個連結下載圖片,最後替換原有連結
// 先建立一個資料夾
// 先建立一個臨時資料夾
String blogFileName = String.valueOf(UUID.randomUUID());
FileUtils.createFolder(FilePathConfig.getUploadBlogPath() + File.separator + blogFileName);
blogcontent.setBlogFileName(blogFileName);
// 匹配出所有連結
List<String> imgList = BlogMoveCommonUtils.getArticleImgList2(content);
// 下載並返回重新生成的imgurllist
List<String> newImgList = BlogMoveCommonUtils.getArticleNewImgList(blogMove, imgList, blogFileName);
// 拼接文章所有連結
images = BlogMoveCommonUtils.getArticleImages(newImgList);
blogcontent.setImages(images);
// 替換所有連結按順序
content = getJianShuNewArticleContent(content, imgList, newImgList);
}
return content;
}
這裡的下載圖片也需要注意,當我測試文章時,發現有些圖片下載了有些則沒有,注意觀察一下原始碼發現,img標籤中的src並不是同步載入,即當我獲取文章正文時,可能圖片連結尚未載入到原始碼中,但是此img標籤中有另一個屬性可用,即data-original-src,顯然這是圖片的原路徑,那麼我們就根據這個路徑去下載圖片,然後將自己的圖片路徑更改到src屬性中,這樣就可全部下載顯示了
相關程式碼更改如下,獲取連結
/**
* @date Oct 17, 2018 1:10:41 PM
* @Desc 獲取連結
* @param doc
* @param object
* @param blogcontent
* @return
*/
public static List<String> getArticleImgList2(String content) {
// 注意,當爬取簡書文章時,圖片非同步載入,有些並沒有完全加載出img,所以只能換方法
if (content == null) {
return null;
}
List<String> imgList = new ArrayList<String>();
Document doc = Jsoup.parse(content);
Elements imgTags = doc.select("img[data-original-src]");
for (Element element : imgTags) {
imgList.add("https:" + element.attr("data-original-src"));
}
return imgList;
}
替換img連結程式碼
/**
* @date Oct 22, 2018 3:31:40 PM
* @Desc
* @param content
* @param imgList
* @param newImgList
* @return
*/
private static String getJianShuNewArticleContent(String content, List<String> imgList, List<String> newImgList) {
Document doc = Jsoup.parse(content);
Elements imgTags = doc.select("img[data-original-src]");
if (imgList == null || imgList.size() < 1 || newImgList == null || newImgList.size() < 1 || imgTags == null
|| "".equals(imgTags)) {
return content;
}
for (int i = 0; i < imgTags.size(); i++) {
imgTags.get(i).attr("src", newImgList.get(i));
}
return doc.body().toString();
}
最後獲取的正文如下:
本人網站效果圖:
歡迎交流學習!
完整原始碼請見github: