Java爬取校内论坛新帖

Java爬取校内论坛新帖

为了保持消息灵通，博主没事会上上校内论坛看看新帖，作为爬虫爱好者，博主萌生了写个爬虫自动下载的想法。

嗯，这次就选Java。

第三方库准备

• Jsoup

Jsoup是一款比较好的Java版HTML解析器。可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

• mysql-connector-java

mysql-connector-java是java JDBC的MySQL驱动，可以提供方便统一的接口来操纵MySQL数据库

爬虫步骤

• 目标分析
• 爬取网页
• 解析网页
• 存储数据

目标分析

博主爬取的是浙大的cc98论坛，需要内网才能上，新帖会在其中一个版面内出现，界面大概是这样：

分析一下之后，发现100条新帖一共有5页，内容呈现在一张表格上。

再用Firefox分析一下页面，发现是一个class="tableborder1"的table下有20行记录，每一行有4个td，爬虫只要获取这四个td数据就可以了。

爬取网页

由于这个网站是要用用户名和密码登录的，博主一开始都在使用POST方法，后来用Firefox抓包分析之后，才发现可以使用带cookies的GET方法登录。

private void getDoc(String url, String page)
    {
        try
        {
            //获取网页
            this.doc = Jsoup.connect(url)
                    .cookie("aspsky", "***")
                    .cookie("BoardList","BoardID=Show")
                    .cookie("owaenabled","True")
                    .cookie("autoplay","True")
                    .cookie("ASPSESSIONIDSSCBSSCR","***")
                    .data(" stype","3")
                    .data("page",page) //Page就是1-5页
                    .get();
        }
        catch (IOException e)
        {
            e.printStackTrace();
            throw new RuntimeException();
        }
    }

这里使用到的Jsoup很强大，其实还可以添加header之类的作修饰，但博主发现只要加了cookies之后就能成功访问了。

解析网页

根据目标分析的结果，我们可以开始解析HTML文档，同样地，Jsoup允许使用JQuery方法来解析，十分方便

private void parse()
    {
        //采用JQuery CSS选择
        Elements rows = doc.select(".tableborder1 tr");
        //去掉表头行
        rows.remove(0);

        for(Element row : rows)
        {
            String theme = row.select("td:eq(0) a:eq(1)").text().trim();
            String url = "http://www.cc98.org/"
                       + row.select("td:eq(0) a:eq(1)").attr("href");
            String part = row.select("td:eq(1) a").text().trim();
            String author = row.select("td:eq(2) a").text().trim();
            if(author.length()==0)
            {
                author = "匿名";
            }
            String rawTime = row.select("td:eq(3)").text().
                    replace("\n","")
                    .replace("\t","");
            try
            {
                Date publishTime = sdf.parse(rawTime);
                System.out.println(publishTime+" "+theme);
                System.out.println("---------------------------------------------------------");
                storage.store(theme,publishTime,part,author,url);
            }
            catch (ParseException e)
            {
                e.printStackTrace();
            }
        }
    }

存储数据

为了方便日后的分析(博主还打算偶尔分析一下各个版面的活跃情况)，我们要把数据存储到硬盘上，这里选用了jdbc连接MySQL

    public void store(String theme, Date publishTime,
                      String part, String author,
                      String url)
    {
        try
        {
            String sql = "INSERT INTO  news (theme," +
                    "publishTime,part,author,url)VALUES(?,?,?,?,?)";

            //使用预处理的方法
            PreparedStatement ps = null;

            ps = conn.prepareStatement(sql);

            //依次填入参数
            ps.setString(1,theme);
            java.sql.Time time = new java.sql.Time(publishTime.getTime());
            //这里使用数据库的时间戳
            ps.setTimestamp(2,new Timestamp(publishTime.getTime()));
            ps.setString(3,part);
            ps.setString(4,author);
            ps.setString(5,url);

            ps.executeUpdate();
        }
        catch (SQLException e)
        {
            //主要是重复的异常，在MySQL中已经有约束unique
//            e.printStackTrace();
        }
    }

我们可以通过MySQL可视化工具查看结果，由于MySQLworkbench不太好用，博主使用了DBeaver，结果如下：

结果非常令人满意。

完整代码

Spider.java

package com.company;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.IOException;
import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.Date;

public class Spider
{
    private Document doc;
    //定义时间格式
    private SimpleDateFormat sdf =   new SimpleDateFormat( "  yyyy/MM/dd  HH:mm " );
    Storage storage = new Storage();

    private void getDoc(String url, String page)
    {
        try
        {
            //获取网页
            this.doc = Jsoup.connect(url)
                    .cookie("aspsky", "***")
                    .cookie("BoardList","BoardID=Show")
                    .cookie("owaenabled","True")
                    .cookie("autoplay","True")
                    .cookie("ASPSESSIONIDSSCBSSCR","***")
                    .data(" stype","3")
                    .data("page",page)
                    .get();
        }
        catch (IOException e)
        {
            e.printStackTrace();
            throw new RuntimeException();
        }
    }

    private void parse()
    {
        //采用JQuery CSS选择
        Elements rows = doc.select(".tableborder1 tr");
        //去掉表头行
        rows.remove(0);

        for(Element row : rows)
        {
            String theme = row.select("td:eq(0) a:eq(1)").text().trim();
            String url = "http://www.cc98.org/"
                       + row.select("td:eq(0) a:eq(1)").attr("href");
            String part = row.select("td:eq(1) a").text().trim();
            String author = row.select("td:eq(2) a").text().trim();
            if(author.length()==0)
            {
                author = "匿名";
            }
            String rawTime = row.select("td:eq(3)").text().
                    replace("\n","")
                    .replace("\t","");
            try
            {
                Date publishTime = sdf.parse(rawTime);
                System.out.println(publishTime+" "+theme);
                System.out.println("---------------------------------------------------------");
                storage.store(theme,publishTime,part,author,url);
            }
            catch (ParseException e)
            {
                e.printStackTrace();
            }
        }
    }

    public void run(String url)
    {
        for (Integer i = 1; i<=5; i++)
        {
            getDoc(url, i.toString());
            parse();
        }
        storage.close();
    }

    public static void main(String[] args)
    {
        Spider spider = new Spider();
        spider.run("http://www.cc98.org/queryresult.asp?stype=3");
    }
}

Storage.java

package com.company;

import java.sql.*;
import java.util.Date;

public class Storage {
    //数据库连接字符串，cc98为数据库名
    private static final String URL="jdbc:mysql://localhost:3306/cc98?characterEncoding=utf8&useSSL=false";
    //登录名
    private static final String NAME="***";
    //密码
    private static final String PASSWORD="***";

    private Connection conn = null;
    public Storage()
    {
        //加载jdbc驱动
        try
        {
            Class.forName("com.mysql.jdbc.Driver");
        }
        catch (ClassNotFoundException e)
        {
            System.out.println("未能成功加载驱动程序，请检查是否导入驱动程序！");
            e.printStackTrace();
        }
        try
        {
            conn = DriverManager.getConnection(URL, NAME, PASSWORD);
//            System.out.println("获取数据库连接成功！");
        }
        catch (SQLException e)
        {
//            System.out.println("获取数据库连接失败！");
            e.printStackTrace();
        }
    }

    public void close()
    {
        //关闭数据库
        if(conn!=null)
        {
            try
            {
                conn.close();
            }
            catch (SQLException e)
            {
                e.printStackTrace();
            }
        }
    }
    public void store(String theme, Date publishTime,
                      String part, String author,
                      String url)
    {
        try
        {
            String sql = "INSERT INTO  news (theme," +
                    "publishTime,part,author,url)VALUES(?,?,?,?,?)";
            //使用预处理的方法
            PreparedStatement ps = null;

            ps = conn.prepareStatement(sql);

            //依次填入参数
            ps.setString(1,theme);
            java.sql.Time time = new java.sql.Time(publishTime.getTime());
            //这里使用数据库的时间戳
            ps.setTimestamp(2,new Timestamp(publishTime.getTime()));
            ps.setString(3,part);
            ps.setString(4,author);
            ps.setString(5,url);

            ps.executeUpdate();
        }
        catch (SQLException e)
        {
            //主要是重复的异常，在MySQL中已经有约束unique
//            e.printStackTrace();
        }
    }
}

小结

这个项目其实涉及的知识点还挺多的，博主也刚学java，很多细节也没有很好吃透，如JDBC、Jsoup都值得好好学习一下。欢迎大家批评指正。

另，祝大家中秋国庆双节快乐~