java爬蟲--百度--入門
參考連結：http://www.jb51.net/article/57193.htm
本來打算這篇文章直接抓取知乎的，但是想想還是先來個簡單的吧，初級文章適合初學者，高手們請直接
上一集中我們說到需要用Java來製作一個知乎爬蟲，那麼這一次，我們就來研究一下如何使用程式碼獲取到網頁的內容。
首先，沒有HTML和CSS和JS和AJAX經驗的建議先去W3C（點我點我）小小的瞭解一下。
說到HTML，這裡就涉及到一個GET訪問和POST訪問的問題。
如果對這個方面缺乏瞭解可以閱讀W3C的這篇：《GET對比POST》。
啊哈，在此不再贅述。
然後咧，接下來我們需要用Java來爬取一個網頁的內容。
這時候，我們的百度就要派上用場了。
沒錯，他不再是那個默默無聞的網速測試器了，他即將成為我們的爬蟲小白鼠！~
我們先來看看百度的首頁：
相信大家都知道，現在這樣的一個頁面，是HTML和CSS共同工作的結果。
我們在瀏覽器中右擊頁面，選擇“檢視頁面原始碼”：
沒錯，就是這一坨翔一樣的東西。這就是百度頁面的原始碼。
接下來我們的任務，就是使用我們的爬蟲也獲取到一樣的東西。
先來看一段簡單的原始碼：
import java.io.*; import java.net.*; public class Main { public static void main(String[] args) { // 定義即將訪問的連結 String url = "http://www.baidu.com"; // 定義一個字串用來儲存網頁內容 String result = ""; // 定義一個緩衝字元輸入流 BufferedReader in = null; try { // 將string轉成url物件 URL realUrl = new URL(url); // 初始化一個連結到那個url的連線 URLConnection connection = realUrl.openConnection(); // 開始實際的連線 connection.connect(); // 初始化 BufferedReader輸入流來讀取URL的響應 in = new BufferedReader(new InputStreamReader( connection.getInputStream())); // 用來臨時儲存抓取到的每一行的資料 String line; while ((line = in.readLine()) != null) { //遍歷抓取到的每一行並將其儲存到result裡面 result += line; } } catch (Exception e) { System.out.println("傳送GET請求出現異常！" + e); e.printStackTrace(); } // 使用finally來關閉輸入流 finally { try { if (in != null) { in.close(); } } catch (Exception e2) { e2.printStackTrace(); } } System.out.println(result); } }http://www.baidu.com"; // 定義一個字串用來儲存網頁內容 String result = ""; // 定義一個緩衝字元輸入流 BufferedReader in = null; try { // 將string轉成url物件 URL realUrl = new URL(url); // 初始化一個連結到那個url的連線 URLConnection connection = realUrl.openConnection(); // 開始實際的連線 connection.connect(); // 初始化 BufferedReader輸入流來讀取URL的響應 in = new BufferedReader(new InputStreamReader( connection.getInputStream())); // 用來臨時儲存抓取到的每一行的資料 String line; while ((line = in.readLine()) != null) { //遍歷抓取到的每一行並將其儲存到result裡面 result += line; } } catch (Exception e) { System.out.println("傳送GET請求出現異常！" + e); e.printStackTrace(); } // 使用finally來關閉輸入流 finally { try { if (in != null) { in.close(); } } catch (Exception e2) { e2.printStackTrace(); } } System.out.println(result); } }
以上就是Java模擬Get訪問百度的Main方法，
可以執行一下看看結果：
啊哈，和我們前面用瀏覽器看到的一模一樣。至此，一個最最簡單的爬蟲就算是做好了。
但是這麼一大坨東西未必都是我想要的啊，怎麼從中抓取出我想要的東西呢？
以百度的大爪子Logo為例。
臨時需求：
獲取百度Logo的大爪子的圖片連結。
先說一下瀏覽器的檢視方法。
滑鼠對圖片右擊，選擇審查元素（火狐，谷歌，IE11，均有此功能，只是名字不太一樣）：
啊哈，可以看到在一大堆div的圍攻下的可憐的img標籤。
這個src就是影象的連結了。
那麼在java中我們怎麼搞呢？
事先說明，為了方便演示程式碼，所有程式碼均未作類封裝，還請諒解。
我們先把前面的程式碼封裝成一個sendGet函式：
import java.io.*;
import java.net.*;
public class Main {
static String sendGet(String url) {
// 定義一個字串用來儲存網頁內容
String result = "";
// 定義一個緩衝字元輸入流
BufferedReader in = null;
try {
// 將string轉成url物件
URL realUrl = new URL(url);
// 初始化一個連結到那個url的連線
URLConnection connection = realUrl.openConnection();
// 開始實際的連線
connection.connect();
// 初始化 BufferedReader輸入流來讀取URL的響應
in = new BufferedReader(new InputStreamReader(
connection.getInputStream()));
// 用來臨時儲存抓取到的每一行的資料
String line;
while ((line = in.readLine()) != null) {
// 遍歷抓取到的每一行並將其儲存到result裡面
result += line;
}
} catch (Exception e) {
System.out.println("傳送GET請求出現異常！" + e);
e.printStackTrace();
}
// 使用finally來關閉輸入流
finally {
try {
if (in != null) {
in.close();
}
} catch (Exception e2) {
e2.printStackTrace();
}
}
return result;
}
public static void main(String[] args) {
// 定義即將訪問的連結
String url = "http://www.baidu.com";
// 訪問連結並獲取頁面內容
String result = sendGet(url);
System.out.println(result);
}
}http://www.baidu.com";
// 訪問連結並獲取頁面內容
String result = sendGet(url);
System.out.println(result);
}
}這樣看起來稍微整潔了一點，請原諒我這個強迫症。
接下來的任務，就是從獲取到的一大堆東西里面找到那個圖片的連結。
我們首先可以想到的方法，是對頁面原始碼的字串result使用indexof函式進行String的子串搜尋。
沒錯這個方法是可以慢慢解決這個問題，比如直接indexOf("src")找到開始的序號，然後再稀里嘩啦的搞到結束的序號。
不過我們不能一直使用這種方法，畢竟草鞋只適合出門走走，後期還是需要切假腿來拿人頭的。
請原諒我的亂入，繼續。
那麼我們用什麼方式來尋找這張圖片的src呢？
沒錯，正如下面觀眾所說，正則匹配。
如果有同學不太清楚正則，可以參照這篇文章：[Python]網路爬蟲（七）：Python中的正則表示式教程。
簡單來說，正則就像是匹配。
比如三個胖子站在這裡，分別穿著紅衣服，藍衣服，綠衣服。
正則就是：抓住那個穿綠衣服的！
然後把綠胖子單獨抓了出來。
就是這麼簡單。
但是正則的語法卻還是博大精深的，剛接觸的時候難免有點摸不著頭腦，
向大家推薦一個正則的線上測試工具：正則表示式線上測試。
有了正則這個神兵利器，那麼怎麼在java裡面使用正則呢？
先來看個簡單的小李子吧。
啊錯了，小栗子。
// 定義一個樣式模板，此中使用正則表示式，括號中是要抓的內容
// 相當於埋好了陷阱匹配的地方就會掉下去
Pattern pattern = Pattern.compile("href=\"(.+?)\"");
// 定義一個matcher用來做匹配
Matcher matcher = pattern.matcher("＜a href=\"index.html\"＞我的主頁＜/a＞");
// 如果找到了
if (matcher.find()) {
// 打印出結果
System.out.println(matcher.group(1));
}執行結果：
index.html
沒錯，這就是我們的第一個正則程式碼。
這樣應用的抓取圖片的連結想必也是信手拈來了。
我們將正則匹配封裝成一個函式，然後將程式碼作如下修改：
import java.io.*;
import java.net.*;
import java.util.regex.*;
public class Main {
static String SendGet(String url) {
// 定義一個字串用來儲存網頁內容
String result = "";
// 定義一個緩衝字元輸入流
BufferedReader in = null;
try {
// 將string轉成url物件
URL realUrl = new URL(url);
// 初始化一個連結到那個url的連線
URLConnection connection = realUrl.openConnection();
// 開始實際的連線
connection.connect();
// 初始化 BufferedReader輸入流來讀取URL的響應
in = new BufferedReader(new InputStreamReader(
connection.getInputStream()));
// 用來臨時儲存抓取到的每一行的資料
String line;
while ((line = in.readLine()) != null) {
// 遍歷抓取到的每一行並將其儲存到result裡面
result += line;
}
} catch (Exception e) {
System.out.println("傳送GET請求出現異常！" + e);
e.printStackTrace();
}
// 使用finally來關閉輸入流
finally {
try {
if (in != null) {
in.close();
}
} catch (Exception e2) {
e2.printStackTrace();
}
}
return result;
}
static String RegexString(String targetStr, String patternStr) {
// 定義一個樣式模板，此中使用正則表示式，括號中是要抓的內容
// 相當於埋好了陷阱匹配的地方就會掉下去
Pattern pattern = Pattern.compile(patternStr);
// 定義一個matcher用來做匹配
Matcher matcher = pattern.matcher(targetStr);
// 如果找到了
if (matcher.find()) {
// 打印出結果
return matcher.group(1);
}
return "";
}
public static void main(String[] args) {
// 定義即將訪問的連結
String url = "http://www.baidu.com";
// 訪問連結並獲取頁面內容
String result = SendGet(url);
// 使用正則匹配圖片的src內容
String imgSrc = RegexString(result, "即將的正則語法");
// 列印結果
System.out.println(imgSrc);
}
}http://www.baidu.com";
// 訪問連結並獲取頁面內容
String result = SendGet(url);
// 使用正則匹配圖片的src內容
String imgSrc = RegexString(result, "即將的正則語法");
// 列印結果
System.out.println(imgSrc);
}
}好的，現在萬事俱備，只差一個正則語法了！
那麼用什麼正則語句比較合適呢？
我們發現只要抓住了src="xxxxxx"這個字串，就能抓出整個src連結，
所以簡單的正則語句：src=\"(.+?)\"
完整程式碼如下：
import java.io.*;
import java.net.*;
import java.util.regex.*;
public class Main {
static String SendGet(String url) {
// 定義一個字串用來儲存網頁內容
String result = "";
// 定義一個緩衝字元輸入流
BufferedReader in = null;
try {
// 將string轉成url物件
URL realUrl = new URL(url);
// 初始化一個連結到那個url的連線
URLConnection connection = realUrl.openConnection();
// 開始實際的連線
connection.connect();
// 初始化 BufferedReader輸入流來讀取URL的響應
in = new BufferedReader(new InputStreamReader(
connection.getInputStream()));
// 用來臨時儲存抓取到的每一行的資料
String line;
while ((line = in.readLine()) != null) {
// 遍歷抓取到的每一行並將其儲存到result裡面
result += line;
}
} catch (Exception e) {
System.out.println("傳送GET請求出現異常！" + e);
e.printStackTrace();
}
// 使用finally來關閉輸入流
finally {
try {
if (in != null) {
in.close();
}
} catch (Exception e2) {
e2.printStackTrace();
}
}
return result;
}
static String RegexString(String targetStr, String patternStr) {
// 定義一個樣式模板，此中使用正則表示式，括號中是要抓的內容
// 相當於埋好了陷阱匹配的地方就會掉下去
Pattern pattern = Pattern.compile(patternStr);
// 定義一個matcher用來做匹配
Matcher matcher = pattern.matcher(targetStr);
// 如果找到了
if (matcher.find()) {
// 打印出結果
return matcher.group(1);
}
return "Nothing";
}
public static void main(String[] args) {
// 定義即將訪問的連結
String url = "http://www.baidu.com";
// 訪問連結並獲取頁面內容
String result = SendGet(url);
// 使用正則匹配圖片的src內容
String imgSrc = RegexString(result, "src=\"(.+?)\"");
// 列印結果
System.out.println(imgSrc);
}
}http://www.baidu.com";
// 訪問連結並獲取頁面內容
String result = SendGet(url);
// 使用正則匹配圖片的src內容
String imgSrc = RegexString(result, "src=\"(.+?)\"");
// 列印結果
System.out.println(imgSrc);
}
}這樣我們就能用java抓出百度LOGO的連結了。
好吧雖然花了很多時間講百度，但是基礎要打紮實啦，下次我們正式開始抓知乎咯！~