java爬虫系列第四讲-采集"极客时间"专栏文章、视频专辑

1.概述

极客时间(https://time.geekbang.org/)，想必大家都知道的，上面有很多值得大家学习的课程，如下图：

本文主要内容

使用webmagic采集极客时间中某个专栏课程生成html

使用webmagic采集视频课程的文件到本地

直接看一下最终效果图

专栏课程生成本地html

视频课程中的视频文件采集到本地

2.专栏课程视频采集

大家请先买某个课程，然后才可以采集

1.登录极客时间

登录地址: https://time.geekbang.org/

2.极客时间中获取专栏id

3.获取cookie

cookie 中存储了当前账号的登录凭证，采集数据的时候需要用到这些信息系，在chrome浏览器中按F12可以获取到cookie信息，如下图：

4.获取专栏采集器代码

采集代码比较多，已上传至gitee：https://gitee.com/likun_557/java-pachong

5.将代码导入idea中

6.打开代码，设置cookie

修改com.ady01.demo4.jksj.util.CollectorUtil类中**COOKIE_VALUE*的值替换为你的cookie

public static final String COOKIE_VALUE = "_ga=GA1.2.1259366273.1550461508; _gid=GA1.2.556986769.1555908262; GCID=f412bb7-029";

7.设置需要采集的专栏id

修改com.ady01.demo4.jksj.util.CollectorUtilTest中的 cid 的值

@Test
public void articleList() throws Exception {
    //需要采集的专栏id
    long cid = 139L;
    ColumnDto columnDto = CollectorUtil.articleList(cid);
    ColumnCollectorResponse columnCollectorResponse = columnDto.getColumnCollectorResponse();
    List<ArticleCollectorResponse> articleCollectorResponseList = columnDto.getArticleCollectorResponseList();
    String articleCollectorResponseListJson = FrameUtil.json(articleCollectorResponseList, true);
    log.info("articleCollectorResponseList:{}", articleCollectorResponseListJson);
    String s = FreemarkerUtil.getFtlToString("column",
            FrameUtil.newHashMap(
                    "articleCollectorResponseListJson", articleCollectorResponseListJson,
                    "columnCollectorResponse", columnCollectorResponse));
    //将采集生成的html保存到本地
    FileUtils.write(new File("D:\\极客时间\\" + columnCollectorResponse.getColumn_title() + ".html"), s, "utf-8");
}

8.运行代码

执行com.ady01.demo4.jksj.util.CollectorUtilTest中的articleList方法，采集成功

生成的文件

浏览器中打开

3.视频专辑采集

1.打开代码，设置cookie

修改com.ady01.demo4.jksjvideo.util.CollectorUtil类中**COOKIE_VALUE*的值替换为你的cookie

public static final String COOKIE_VALUE = "_ga=GA1.2.1259366273.1550461508; _gid=GA1.2.556986769.1555908262; GCID=f412bb7-029";

2.设置需要采集的专栏id

修改com.ady01.demo4.jksjvideo.util.CollectorUtilTest中的 cid 的值

@Test
    public void saveCourseDto() throws IOException {
        //视频保存的地址
        String saveDir = "D:\\极客时间\\%s";
        //视频课程id
        Long cid = 160L;
        CourseDto courseDto = CollectorUtil.courseDto(cid);
        log.info("courseDto:{}", FrameUtil.json(courseDto, true));
        for (ArticleCollectorResponse articleCollectorResponse : courseDto.getArticleCollectorResponseList()) {
            try {
                String dir = String.format(saveDir + "\\%s", courseDto.getCourseCollectorResponse().getColumn_title(), articleCollectorResponse.getId());
                CollectorUtil.saveFile(articleCollectorResponse, dir);
            } catch (IOException e) {
                log.error(e.getMessage(), e);
            }
        }
        int i = 1;
        for (ArticleCollectorResponse articleCollectorResponse : courseDto.getArticleCollectorResponseList()) {
            File file = new File(String.format(saveDir + "\\%s", courseDto.getCourseCollectorResponse().getColumn_title(), articleCollectorResponse.getId()), String.format("%s.%s", articleCollectorResponse.getId(), ".ts"));
            String s = FrameUtil.generateCode(i + "", 3, "0", true);
            File newFile = new File(String.format(saveDir + "\\video", courseDto.getCourseCollectorResponse().getColumn_title()),
                    String.format("%s、%s.%s", s, articleCollectorResponse.getArticle_title().substring(articleCollectorResponse.getArticle_title().indexOf("|") + 2), "ts").replaceAll("\\?", ""));
            FileUtils.copyFile(file, newFile);
            i++;
        }
    }

3.运行代码

执行com.ady01.demo4.jksjvideo.util.CollectorUtilTest中的saveCourseDto方法，采集成功

4.获取源码

关注公众号：路人甲Java，发送“极客时间”，获取视频采集的源码