java爬虫之下载txt小说
来源:互联网 发布:公安部网络诈骗投诉 编辑:程序博客网 时间:2024/04/27 14:43
最近迷上了天蚕土豆写的《大主宰》这本玄幻小说,无奈找不到下载链接。于是就萌生了自己爬取小说章节的想法,代码其实很简单,主要在于分析网页结构、正则匹配以及文件保存.
1. 分析网页结构
爬取小说主要需要爬取章节、正文,以及能保证爬取到所有的章节。以《大主宰》为例,其网页结构如下:
可以看到小说正文包含在一个id为content的div里,这极大的帮助了我们的爬取.章节名称保存在一个名为readtitle的js变量中.下一页的url位于a标签的href属性中
2. 正则匹配
通过分析网页结构,可以得到如下正则表达式:
* 章节名: readtitle = "(.+?)"
* 正文: <div id="content">(.+?)</div>
* 下一章:→ <a href="(.+?)">
如果当前章节是最新章节,那么其下一章的url是以 / 开头的,我们可以根据这个判断章节是否是最新章节.
3. 运行结果
以爬取《大主宰》为例,截至至6月30号,其最新章节为第一千两百五十四章 最后的赢家
,爬取其小说内容,保存为txt文件,测试结果如下:
4. 附录
你可以通过jslinxiaoli@foxmail.com
联系我.
欢迎在github或者知乎上关注我 ^_^.
也可以访问个人网站: https://jslixiaolin.github.io
源代码如下:
package com.lxl.txt;import java.io.*;import java.net.URL;import java.util.regex.Matcher;import java.util.regex.Pattern;/** * 爬取小说txt文件 * * @author lixiaolin * @createDate 2016-06-28 19:38 */public class NovelGet { public static void main(String[] args) { String baseUrl = "http://www.00ksw.com/html/1/1343/"; String nextUrl = "597361.html"; String destFilePath = "D:\\test.txt"; System.out.println("开始爬取数据..."); long startTime = System.currentTimeMillis(); getNovel(baseUrl, nextUrl, destFilePath); long endTime = System.currentTimeMillis(); System.out.println("用时 " + (endTime - startTime) / 1000 + "秒..."); } public static void getNovel(String baseUrl, String nextUrl, String destFilePath) { try { File destFile = new File(destFilePath); // 目标文件存在则删除 if (!destFile.exists()) { destFile.delete(); } destFile.createNewFile(); FileWriter fw = new FileWriter(destFile); String realUrl, resultContent; StringBuffer sb = new StringBuffer(); BufferedReader br = null; // 正文正则匹配表达式 Pattern contentPat = Pattern.compile("<div id=\"content\">(.+?)</div>"); // 标题正则表达式 Pattern titlePat = Pattern.compile("readtitle = \"(.+?)\""); // 下一章正则表达式 Pattern nextPat = Pattern.compile("→ <a href=\"(.+?)\">"); Matcher matcher; // 下一张的url以 / 开头则是最新章节 while (!nextUrl.startsWith("/")) { realUrl = baseUrl + nextUrl; // 获取目标url的response br = new BufferedReader(new InputStreamReader(new URL(realUrl).openStream())); String line; while ((line = br.readLine()) != null) { sb.append(line); } // 替换空格和换行符 resultContent = sb.toString().replaceAll(" ", "").replaceAll("<br /><br />", "*****"); // 换行 fw.write("\r\n\r\n"); // 匹配标题 matcher = titlePat.matcher(resultContent); if (matcher.find()) { fw.write(matcher.group(1)); } fw.write("\r\n"); // 匹配正文 matcher = contentPat.matcher(resultContent); if (matcher.find()) { fw.write(matcher.group(1)); } // 匹配下一页url matcher = nextPat.matcher(resultContent); if (matcher.find()) { nextUrl = matcher.group(1); } // 清空 sb.delete(0, sb.length()); } if (br != null) { br.close(); } fw.close(); } catch (IOException e) { e.printStackTrace(); } }}
0 0
- java爬虫之下载txt小说
- 爬虫下载小说实现
- 简单爬虫入门-小说下载
- 小说爬虫之JAVA代码的实现(附代码)
- 小说爬虫之JAVA代码的实现(附代码)
- python一个下载小说的简易爬虫
- Python爬虫系列:爬取小说并写入txt文件
- java小说上传txt功能,(同名小说不能再次上传)
- 小说爬虫
- java网络爬虫-爬取小说
- 回乡小农民 回乡小农民TXT全集下载 免费下载全本 小说下载 txt 电子书
- 回乡小农民 回乡小农民TXT全集下载 免费下载全本 小说下载 txt 电子书
- txt电子书免费下载全集全本完结 小说下载txt电子书免费下载全本
- 使用selenium做一个小说下载器爬虫
- Python网络爬虫(二):小说下载器
- java下载txt
- python之小说下载器version1.0
- python之小说下载器version2.0
- 【LeetCode】Two Sum
- hdu 4884 TIANKENG’s rice shop(模拟)
- REST API 安全设计指南
- Linux基础练习_复习题
- linux注意事项
- java爬虫之下载txt小说
- CGI : Common Gateway Interface
- Python click——命令行工具
- 【六月英语总结】介词的用法
- Android中如何解决Thread is already started问题
- hdu 4907 Task schedule(水题)
- 基于zookeeper的dubbo配置
- Mac环境下对android app抓包
- LinkedList类的用法