java采集网页数据方法【多线程数据采集之一】

简介:

第一步抓取数据。

java采集网页数据。获取html文本节点

有几种办法。

第一种: 采用HttpURLConnection

 
  1. package com.yjf.util;   
  2.    
  3. import java.io.BufferedReader;   
  4. import java.io.IOException;   
  5. import java.io.InputStream;   
  6. import java.io.InputStreamReader;   
  7. import java.net.HttpURLConnection;   
  8. import java.net.URL;   
  9.    
  10. public class HttpWebUtil {   
  11.        
  12.     /**  
  13.      *网页抓取方法  
  14.      * @param urlString      要抓取的url地址  
  15.      * @param charset        网页编码方式  
  16.      * @param timeout        超时时间  
  17.      * @return               抓取的网页内容  
  18.      * @throws IOException   抓取异常  
  19.      */   
  20.     public static String GetWebContent(String urlString, final String charset, int timeout) throws IOException {   
  21.         if (urlString == null || urlString.length() == 0) {   
  22.             return "";   
  23.         }   
  24.         urlString = (urlString.startsWith("http://") || urlString.startsWith("https://")) ? urlString : ("http://" + urlString).intern();   
  25.         URL url = new URL(urlString);   
  26.         HttpURLConnection conn = (HttpURLConnection) url.openConnection();   
  27.         conn.setDoOutput(true);      
  28.         conn.setRequestProperty("Pragma""no-cache");      
  29.         conn.setRequestProperty("Cache-Control""no-cache");      
  30.            
  31.         int temp = Integer.parseInt(Math.round(Math.random()*(UserAgent.length-1))+"");   
  32.         conn.setRequestProperty(   
  33.                 "User-Agent",   
  34.                     UserAgent[temp]);  // 模拟手机系统   
  35.         conn.setRequestProperty("Accept""text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8");//只接受text/html类型,当然也可以接受图片,pdf,*/*任意,就是tomcat/conf/web里面定义那些   
  36.         conn.setConnectTimeout(timeout);   
  37.         try {   
  38.             if (conn.getResponseCode() != HttpURLConnection.HTTP_OK) {   
  39.                 return "";   
  40.             }   
  41.         } catch (Exception e) {   
  42.             try {   
  43.                 System.out.println(e.getMessage());   
  44.             } catch (Exception e2) {   
  45.                 e2.printStackTrace();   
  46.             }   
  47.             return "";   
  48.         }   
  49.         InputStream input = conn.getInputStream();   
  50.         BufferedReader reader = new BufferedReader(new InputStreamReader(input,   
  51.                 charset));   
  52.         String line = null;   
  53.         StringBuffer sb = new StringBuffer("");   
  54.         while ((line = reader.readLine()) != null) {   
  55.             sb.append(line).append("\r\n");   
  56.         }   
  57.         if (reader != null) {   
  58.             reader.close();   
  59.         }   
  60.         if (conn != null) {   
  61.             conn.disconnect();   
  62.         }   
  63.         return sb.toString();   
  64.     }   
  65.        
  66.     public static String[] UserAgent = {   
  67.         "Mozilla/5.0 (Linux; U; Android 2.2; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.2",   
  68.         "Mozilla/5.0 (iPad; U; CPU OS 3_2_2 like Mac OS X; en-us) AppleWebKit/531.21.10 (KHTML, like Gecko) Version/4.0.4 Mobile/7B500 Safari/531.21.11",   
  69.         "Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18121",   
  70.         "Nokia5700AP23.01/SymbianOS/9.1 Series60/3.0",   
  71.         "UCWEB7.0.2.37/28/998",   
  72.         "NOKIA5700/UCWEB7.0.2.37/28/977",   
  73.         "Openwave/UCWEB7.0.2.37/28/978",   
  74.         "Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/989"   
  75.     };   
  76.        
  77. }   

第二种:采用jar插件Jsoup.jar 

 

org.jsoup.Jsoup

 
  1. //站点入口列表   
  2.     public static List<String> getSiteUrlList1(List<String> list,String listurl){   
  3.         if(list==null || list.size()<=0){   
  4.             list = new ArrayList<String>();   
  5.         }   
  6.         try {   
  7.             Document docdata = Jsoup.connect(listurl).timeout(10000).get();   
  8.             String hb = ".m_book li a";   
  9.             String page = ".page_list .page_up";   
  10.             Elements ele = docdata.select(hb);   
  11.             for (Element el : ele) {   
  12.                 list.add(el.attr("href"));   
  13.             }   
  14.             if(docdata.select(page)!=null && docdata.select(page).first()!=null){   
  15.                 String url = "http://www.xxxxx.com/site_map/"+docdata.select(page).first().attr("href");   
  16.                 getSiteUrlList1(list, url);   
  17.             }   
  18.         } catch (Exception e) {   
  19.             e.printStackTrace();   
  20.         }   
  21.         return list;   
  22.     }   

 

 

第三种:http模拟器

可以请求表单数据和 重定向

http://blog.csdn.net/yjflinchong/article/details/8004706 

 

 

以上先描述第一步抓取数据。后期加入多线程网络数据采集完整介绍。

 



      本文转自yjflinchong 51CTO博客,原文链接:http://blog.51cto.com/yjflinchong/1165163,如需转载请自行联系原作者






相关文章
|
2天前
|
存储 安全 Java
Java面试题:请解释Java内存模型(JMM)是什么,它如何保证线程安全?
Java面试题:请解释Java内存模型(JMM)是什么,它如何保证线程安全?
32 13
|
2天前
|
缓存 安全 Java
Java中线程池如何管理?
【7月更文挑战第11天】Java中线程池如何管理?
8 2
|
2天前
|
安全 算法 Java
Java中线程安全怎么做?
【7月更文挑战第11天】Java中线程安全怎么做?
9 2
|
2天前
|
缓存 Prometheus 监控
Java面试题:如何监控和优化JVM的内存使用?详细讲解内存调优的几种方法
Java面试题:如何监控和优化JVM的内存使用?详细讲解内存调优的几种方法
20 3
|
1天前
|
存储 安全 算法
深入理解Java并发编程:线程安全与性能优化
【5月更文挑战第72天】 在现代软件开发中,尤其是Java应用开发领域,并发编程是一个无法回避的重要话题。随着多核处理器的普及,合理利用并发机制对于提高软件性能、响应速度和资源利用率具有重要意义。本文旨在探讨Java并发编程的核心概念、线程安全的策略以及性能优化技巧,帮助开发者构建高效且可靠的并发应用。通过实例分析和理论阐述,我们将揭示在高并发环境下如何平衡线程安全与系统性能之间的关系,并提出一系列最佳实践方法。
|
2天前
|
Java 调度
Java线程的六种状态
Java线程有六种状态: 初始(NEW)、运行(RUNNABLE)、阻塞(BLOCKED)、等待(WAITING)、超时等待(TIMED_WAITING)、终止(TERMINATED)。
13 1
|
2天前
|
监控 Java 调度
Java面试题:描述Java线程池的概念、用途及常见的线程池类型。介绍一下Java中的线程池有哪些优缺点
Java面试题:描述Java线程池的概念、用途及常见的线程池类型。介绍一下Java中的线程池有哪些优缺点
15 1
|
22小时前
|
Java 调度
java中线程的6种状态
java中线程的6种状态
|
1天前
|
算法 Java 开发者
Java中的多线程编程技巧与实践
在现代软件开发中,多线程编程成为提升应用程序性能和响应能力的关键技术之一。本文将深入探讨Java语言中多线程编程的基础概念、常见问题及其解决方案,帮助开发者更好地理解和应用多线程技术。 【7月更文挑战第12天】
6 0
|
2天前
|
Java 调度
Java面试题:简述Java线程的生命周期及其状态转换。
Java面试题:简述Java线程的生命周期及其状态转换。
7 0