java學習之爬蟲

来源:https://www.cnblogs.com/0x3e-time/archive/2022/04/26/16195402.html
-Advertisement-
Play Games

對抗防採集選擇python更方便些,如果需要處理複雜的網頁,解析網頁內容生成結構化數據或者對網頁內容精細的解析則可以選擇java,簡單一點的數據採集我們可以選擇python的爬蟲,需要具體到結構的化採集存儲最好採用java ...


0x00前言

對比與Python的爬蟲機制和java的爬蟲機制來詳解一下java的爬蟲,對於一般性的需求無論java還是python都可以勝任。
如需要模擬登陸、對抗防採集選擇python更方便些,如果需要處理複雜的網頁,解析網頁內容生成結構化數據或者對網頁內容精細的解析則可以選擇java,簡單一點的數據採集我們可以選擇python的爬蟲,需要具體到結構的化採集存儲最好採用java

0x01基礎的get和post爬取

0x1pos和get的基礎代碼

public class JAVA_TEST1 {
    public static void main(String[] args) throws IOException {
        CloseableHttpClient httpClient= HttpClients.createDefault();//創建一個預設對象
        HttpGet httpGet=new HttpGet("https://www.itcast.cn");
        httpClient.execute(httpGet);//對象去調用
        CloseableHttpResponse response=httpClient.execute(httpGet);
        if (response.getStatusLine().getStatusCode()==200){
           HttpEntity httpEntity =response.getEntity();
            String s=EntityUtils.toString(response.getEntity(),"utf-8");
            System.out.println(s);
        }
    }
}
public class JAVA_test02 {
    public static void main(String[] args) throws Exception {
        //創建httpclient對象
        //創建httpget對象
        //發起請求
        //爬到數據進行
        CloseableHttpClient httpClinet = HttpClients.createDefault();
        URIBuilder uriBuilder=new URIBuilder("https://www.baidu.com");
        uriBuilder.setParameter("question","hellow");
        System.out.println(uriBuilder.build().toString());
        HttpGet httpGet=new HttpGet(uriBuilder.build());


        httpClinet.execute(httpGet);
        CloseableHttpResponse response=httpClinet.execute(httpGet);
        if (response.getStatusLine().getStatusCode()==200){
            String s= EntityUtils.toString(response.getEntity(),"utf-8");
            System.out.println(s.length());
        }
        //關閉response
        response.close();
        httpClinet.close();

    }
}

0x2常用方法

1.CloseableHttpClient httpClinet = HttpClients.createDefault();創造一個HttpClients
2.HttpGet httpGet=new HttpGet()創建一個Httpgetm,裡面可以直接更如String形的網址
a.也可以更輸入一個URI對象,URI對象可以增加額外的參數
URIBuilder uriBuilder=new URIBuilder("https://www.baidu.com");
uriBuilder.setParameter("param","value");跟入參數的方式是:創建對象調用調用方法setParameter前面是參數名後面是
HttpPost httpPost=new HttpPost(uriBuilder.build());
參數值。類似sql註入的id=1=====param=value
b. CloseableHttpResponse response=httpClient.execute(httpPost);
創建一個CloseableHttpResponse去接受返回值
3.類方法

EntityUtils.toString(response.getEntity())//獲取的返回值輸出出來
httpClient.execute(httpPost);//調用HttpClient對象去執行請求
response.getStatusLine().getStatusCode()==200//判斷返回的頁面狀態

4.post攜帶參數請求

List<NameValuePair> pairList=new ArrayList<NameValuePair>();
        pairList.add(new BasicNameValuePair("qustion","wwww"));
            UrlEncodedFormEntity formEntity=new UrlEncodedFormEntity(pairList,"utf-8");
            httpPost.setEntity(formEntity);

因為post傳輸的是表格所有我們需要創建一個list來構建一個表格泛型選擇NameValuePair,然後把list轉換成功一個UrlEncodedFormEntity 表格

0x03連接池

每次創建一個HttpClient對象需要打開關閉很麻煩,所以有一個連接池實現自動化管理
PoolingHttpClientConnectionManager cm=new PoolingHttpClientConnectionManager();創建連接池
public void setMaxTotal(int max)設置最大連接數
public void setDefaultMaxPerRoute(int max)設置每個主機的併發數
HttpClient的配置
setConnectTimeout(1000) // 設置創建連接的最長時間
setConnectionRequestTimeout(500) //設置獲取連接最長時間
setSocketTimeout(500).build();//設置數據傳輸最長時間

點擊查看代碼
package is.text;

import org.apache.http.client.config.RequestConfig;
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;

import java.io.IOException;

public class gethttp1params {
    public static void main(String[] args) throws IOException {
        CloseableHttpClient client = HttpClients.createDefault();
        HttpGet httpGet = new HttpGet("http://www.baidu.com");
        RequestConfig config = RequestConfig.custom().setConnectTimeout(1000) // 設置創建連接的最長時間
                .setConnectionRequestTimeout(500) //設置獲取連接最長時間
                .setSocketTimeout(500).build();  //設置數據傳輸最長時間

        httpGet.setConfig(config);
        CloseableHttpResponse response  = client.execute(httpGet);
        String s = EntityUtils.toString(response.getEntity());
        System.out.println(s);


    }
}

public class JAVA_test05 {
    public static void main(String[] args) {
        PoolingHttpClientConnectionManager cm=new PoolingHttpClientConnectionManager();
        cm.setMaxTotal(10);
        cm.setDefaultMaxPerRoute(2);
        doget(cm);
        doget(cm);
        dopost(cm);
    }

    private static void dopost(PoolingHttpClientConnectionManager cm) {
        CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(cm).build();
        HttpPost httpPost = new HttpPost("https://www.baidu.com");
        try {
            CloseableHttpResponse response = httpClient.execute(httpPost);
            if (response.getStatusLine().getStatusCode()==200);
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    private static void doget(PoolingHttpClientConnectionManager cm) {
       CloseableHttpClient httpClient =HttpClients.custom().setConnectionManager(cm).build();
        HttpGet httpGet=new HttpGet("http://www.baicu.com");
        try {
            httpClient.execute(httpGet);
            CloseableHttpResponse response=httpClient.execute(httpGet);
            if (response.getStatusLine().getStatusCode()==200){
                String string = EntityUtils.toString(response.getEntity());
                System.out.println(string);
            }
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

}

0x04後文和總結

準備手寫一個爬蟲去嘗試爬出一些文章,java的爬蟲主要依賴於Jsoup,它可以實現的python爬蟲的正則表達式功能和獲取html解析分解內容,需要設計css和html的一些內容這裡就把它放在新的板塊


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • Java面試題資料合集 2021年最新版--Java+最常見的+200++面試題彙總+答案總結彙總.pdf BIO,NIO,AIO,Netty面試題 35道.pdf Dubbo面試題 47道.pdf ElasticSearch面試題 30道.pdf Git常用命令面試題 60道.pdf Java基礎 ...
  • public class SprinklerSystem { private String value1, value2, value3; private WaterSource source = new WaterSource(); private int i; private float f; ...
  • 上一篇文章 https://www.cnblogs.com/redwinter/p/16167214.html 解讀瞭如何進行自定義屬性值的編輯器的解析器,並且還介紹了BeanFactory的準備過程中做了哪些事情。這篇文章繼續介紹AbstractApplicationContext#refresh ...
  • 前言 最近在做項目時候,遇到一個這樣子的需求, 點到卡包裡面卡券使用使用,需要展示卡券使用附近門店, 思路 資料庫地址表設計 通用的區域街道地址表tz_sys_area 欄位名稱 類型 備註 area_id bigint 區域ID area_name varchar(32) 區功能變數名稱稱 parent_ ...
  • 前言 大家都很喜歡聽歌吧,沒有人不喜歡聽歌。心情好的時候要聽歌,心情不好的時候也要聽歌,反正歌是大家都喜歡聽的。 最近我想在網站上下載幾首音樂放到我的u盤裡聽,但是上網上一找,各大音樂網站下載歌曲(尤其是好聽的歌曲)都需要vip。 對於像我這樣的窮人來說,肯定是不會花幾十塊錢去下載幾首音樂啦,而且作 ...
  • C++類與對象(3)—多態 一個介面有多種形態,傳入的對象不一樣,同一個介面執行的操作不同 多態的基本概念 多態分為兩類 靜態多態:函數重載和運算符重載屬於靜態多態,復用函數名 動態多態:派生類和虛函數實現運行時多態 靜態多態胡動態多態的區別 靜態多態的函數地址早綁定,編譯階段搞定函數地址 動態多態 ...
  • 前言 碌者勞其心力,懶人使用工具。程式員作為懶人推動社會進步,有目共睹。 adb 已提供了開發者可以使用的全部工具,但是重覆執行一系列adb命令也令人心煩,所以,如果業務需求固定,直接在python腳 本執行adb命令。 核心代碼很簡單 cmd = 'adb shell' os.system(cmd ...
  • 朴素的字元串匹配演算法的時間複雜度為O(m*n),m、n分別為主串、模式串的長度。容易理解的是,主串和模式串的指針同步進行,當遇到不匹配的字元時,主串指針將移動到當前指針下一位,因此最壞情況下m個字元都要匹配n次。而KMP演算法能在O(m + n)的時間複雜度內完成查找,原理不再介紹,下麵介紹實現過程。 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...