基于java的网络爬虫框架(实现京东数据的爬取，并将插入数据库)

本文为原创博客，仅供技术学习使用。未经允许，禁止将其复制下来上传到百度文库等平台。

目录

• 网络爬虫框架
  • 网络爬虫的逻辑顺序
• 网络爬虫实例教学
  • model
  • main
  • util
  • parse
  • db
  • 再看main方法
• 爬虫效果展示

网络爬虫框架

写网络爬虫，一个要有一个逻辑顺序。本文主要讲解我自己经常使用的一个顺序，并且本人经常使用这个框架来写一些简单的爬虫，复杂的爬虫，也是在这个基础上添加其他程序。 

首先，我的工程都是使用maven建的，不会使用maven的，请看之前写的网络爬虫基础。使用spring MVC框架编写过网站的同学，可以看出框架的重要性与逻辑性。在我的网络爬虫框架中，包含的package有db、main、model、parse、util五个文件。

db:主要放的是数据库操作文件，包含MyDataSource【数据库驱动注册、连接数据库的用户名、密码】，MYSQLControl【连接数据库，插入操作、更新操作、建表操作等】。

model：用来封装对象，比如我要获取京东书籍的ID、书名、价格，则需要在model写入对应的属性。说的直白一些，封装的就是我要操作数据对应的属性名。有不明白的看之前写的一个简单的网络爬虫。

util：主要放的是httpclient的内容，主要作用时将main方法，传过来的url，通过httpclient相关方法，获取需要解析的html文件或者json文件等。

parse：这里面存放的是针对util获取的文件，进行解析，一般采用Jsoup解析；若是针对json数据，可采用正则表达式或者fastjson工具进行解析，建议使用fastjson，因其操作简单，快捷。

main：程序起点，也是重点，获取数据，执行数据库语句，存放数据。

网络爬虫的逻辑顺序

针对我的网络爬虫框架，网络爬虫的逻辑顺序，可以描述为：首先，main方法，将url传给util获取响应的html文件，然后util将其获得的html文件，传给parse进行解析，获取最终数据，封装在集合中。解析完毕后，数据返回到main，接着main操作db将数据导入到MySQL中。

网络爬虫实例教学

通过上面的框架，我们可以看出写一个网络爬虫，其实很简单（当然有很复杂的网络爬虫哦）。下面，我将带大家写一个基于Java爬虫京东图书信息的网络爬虫，只是做讲解使用，供大家学习和参考。

首先，起点是什么？你可能觉得是main方法，其实不然，起点是你要知道你要获取网站中的哪些数据，然后针对要抓取的数据去写model。如下图，我要获取京东上的图书的价格，和图书名，还有图书的id（id是唯一标识，可作为数据表的主键） 

model

用来封装对象，我要抓取一本书的数据包括，书籍的id，书名及价格。ecliplse中生成set、get方法的快捷键是shift+alt+s然后选择生成setter、getter

package model;/*    *  合肥工业大学 管理学院 qianyang [e-mail] */public class JdModel {    private String bookID;    private String bookName;    private String bookPrice;    public String getBookID() {        return bookID;    }    public void setBookID(String bookID) {        this.bookID = bookID;    }    public String getBookName() {        return bookName;    }    public void setBookName(String bookName) {        this.bookName = bookName;    }    public String getBookPrice() {        return bookPrice;    }    public void setBookPrice(String bookPrice) {        this.bookPrice = bookPrice;    }}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

main

主方法，尽量要求简单，这里我就这样写了。这里面有注释，很好理解。

package main;import java.util.List;import org.apache.commons.logging.Log;import org.apache.commons.logging.LogFactory;import org.apache.http.client.HttpClient;import org.apache.http.impl.client.DefaultHttpClient;import db.MYSQLControl;import model.JdModel;import util.URLFecter;/*    *  合肥工业大学 管理学院 qianyang [e-mail] */public class JdongMain {    //log4j的是使用，不会的请看之前写的文章    static final Log logger = LogFactory.getLog(JdongMain.class);    public static void main(String[] args) throws Exception {        //初始化一个httpclient        HttpClient client = new DefaultHttpClient();        //我们要爬取的一个地址，这里可以从数据库中抽取数据，然后利用循环，可以爬取一个URL队列        String url="http://search.jd.com/Search?keyword=Python&enc=utf-8&book=y&wq=Python&pvid=33xo9lni.p4a1qb";        //抓取的数据        List<JdModel> bookdatas=URLFecter.URLParser(client, url);        //循环输出抓取的数据        for (JdModel jd:bookdatas) {            logger.info("bookID:"+jd.getBookID()+"\t"+"bookPrice:"+jd.getBookPrice()+"\t"+"bookName:"+jd.getBookName());        }        //将抓取的数据插入数据库        MYSQLControl.executeInsert(bookdatas);    }}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

util

util中包含两个文件，URLFecter 与HTTPUtils，其中URLFecter 调用了HTTPUtils类。

package util;import java.util.ArrayList;import java.util.List;import org.apache.http.HttpResponse;import org.apache.http.client.HttpClient;import org.apache.http.util.EntityUtils;import model.JdModel;import parse.JdParse;/*    *  合肥工业大学 管理学院 qianyang [e-mail] */public class URLFecter {    public static List<JdModel> URLParser (HttpClient client, String url) throws Exception {        //用来接收解析的数据        List<JdModel> JingdongData = new ArrayList<JdModel>();        //获取网站响应的html，这里调用了HTTPUtils类        HttpResponse response = HTTPUtils.getRawHtml(client, url);              //获取响应状态码        int StatusCode = response.getStatusLine().getStatusCode();        //如果状态响应码为200，则获取html实体内容或者json文件        if(StatusCode == 200){            String entity = EntityUtils.toString (response.getEntity(),"utf-8");                JingdongData = JdParse.getData(entity);            EntityUtils.consume(response.getEntity());        }else {            //否则，消耗掉实体            EntityUtils.consume(response.getEntity());        }        return JingdongData;    }}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

上面程序调用的HTTPUtils这个类，以下是HTTPUtils这个类。

package util;import java.io.IOException;import org.apache.http.HttpResponse;import org.apache.http.HttpStatus;import org.apache.http.HttpVersion;import org.apache.http.client.HttpClient;import org.apache.http.client.methods.HttpGet;import org.apache.http.message.BasicHttpResponse;/*    *  合肥工业大学 管理学院 qianyang [e-mail] */public abstract class HTTPUtils {    public static HttpResponse getRawHtml(HttpClient client, String personalUrl) {        //获取响应文件，即html，采用get方法获取响应数据        HttpGet getMethod = new HttpGet(personalUrl);        HttpResponse response = new BasicHttpResponse(HttpVersion.HTTP_1_1,                HttpStatus.SC_OK, "OK");        try {            //执行get方法            response = client.execute(getMethod);        } catch (IOException e) {            e.printStackTrace();        } finally {            // getMethod.abort();        }        return response;    }}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

parse

parse主要是通过Jsoup来解析html文件。并将解析后的数据，封装在List集合中，将数据通过层层返回到main方法中。

package parse;import java.util.ArrayList;import java.util.List;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;import model.JdModel;/* * author qianyang [e-mail] * 用于将上面传下来的html解析，获取我们需要的内容 * 解析方式，采用Jsoup解析，有不明白Jsoup的可以上网搜索API文档 * Jsoup是一款很简单的html解析器 */public class JdParse {    public static List<JdModel> getData (String html) throws Exception{        //获取的数据，存放在集合中        List<JdModel> data = new ArrayList<JdModel>();        //采用Jsoup解析        Document doc = Jsoup.parse(html);        //获取html标签中的内容        Elements elements=doc.select("ul[class=gl-warp clearfix]").select("li[class=gl-item]");        for (Element ele:elements) {            String bookID=ele.attr("data-sku");            String bookPrice=ele.select("div[class=p-price]").select("strong").select("i").text();            String bookName=ele.select("div[class=p-name]").select("em").text();            //创建一个对象，这里可以看出，使用Model的优势，直接进行封装            JdModel jdModel=new JdModel();            //对象的值            jdModel.setBookID(bookID);            jdModel.setBookName(bookName);            jdModel.setBookPrice(bookPrice);            //将每一个对象的值，保存到List集合中            data.add(jdModel);        }        //返回数据        return data;    }}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

db

db中包含两个java文件，MyDataSource，MYSQLControl。这两个文件的作用已在前面说明了。

package db;import javax.sql.DataSource;import org.apache.commons.dbcp2.BasicDataSource;/*    *  合肥工业大学 管理学院 qianyang [e-mail] */public class MyDataSource {    public static DataSource getDataSource(String connectURI){        BasicDataSource ds = new BasicDataSource();         //MySQL的jdbc驱动        ds.setDriverClassName("com.mysql.jdbc.Driver");        ds.setUsername("root");              //所要连接的数据库名        ds.setPassword("112233");                //MySQL的登陆密码        ds.setUrl(connectURI);        return ds;    }}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

下面是MYSQLControl，主要使用QueryRunner方法操作数据库，使用时是batch方法。

package db;import java.sql.SQLException;import java.util.List;import javax.sql.DataSource;import org.apache.commons.dbutils.QueryRunner;import model.JdModel;/* * author qianyang [e-mail] * Mysql操作的QueryRunner方法 * 一个数据库操作类，别的程序直接调用即可 */public class MYSQLControl {    //根据自己的数据库地址修改    static DataSource ds = MyDataSource.getDataSource("jdbc:mysql://127.0.0.1:3306/moviedata");    static QueryRunner qr = new QueryRunner(ds);    //第一类方法    public static void executeUpdate(String sql){        try {            qr.update(sql);        } catch (SQLException e) {            e.printStackTrace();        }    }    //第二类数据库操作方法    public static void executeInsert(List<JdModel> jingdongdata) throws SQLException {        /*         * 定义一个Object数组，行列         * 3表示列数，根据自己的数据定义这里面的数字         * params[i][0]等是对数组赋值，这里用到集合的get方法         *          */        Object[][] params = new Object[jingdongdata.size()][3];        for ( int i=0; i<params.length; i++ ){            params[i][0] = jingdongdata.get(i).getBookID();            params[i][1] = jingdongdata.get(i).getBookName();            params[i][2] = jingdongdata.get(i).getBookPrice();        }        qr.batch("insert into jingdongbook (bookID, bookName, bookPrice)"                + "values (?,?,?)", params);        System.out.println("执行数据库完毕！"+"成功插入数据："+jingdongdata.size()+"条");    }}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

再看main方法

在main方法中有这样一句程序，这便是调用了操作数据库MYSQLControl程序，将抓取的数据插入到数据库中了

MYSQLControl.executeInsert(bookdatas);
1
1

爬虫效果展示

到此，便完成了这个简单网络爬虫的编程工作，下面来看看程序运行的结果吧。 

数据库中的结果如下： 

有什么不明白的，请发邮件至[e-mail] 合肥工业大学管理学院 qianyang