Java爬虫实现爬取京东上的手机搜索页面 HttpCliient+Jsoup

1、需求及配置

需求：爬取京东手机搜索页面的信息，记录各手机的名称，价格，评论数等，形成一个可用于实际分析的数据表格。

使用Maven项目，log4j记录日志，日志仅导出到控制台。

Maven依赖如下（pom.xml）

<dependencies>
<dependency>
<groupId>org.apache.httpcomponents</groupId>
<artifactId>httpclient</artifactId>
<version>4.5.3</version>
</dependency>

<dependency>
<!-- jsoup HTML parser library @ https://jsoup.org/ -->
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.11.2</version>
</dependency>

<!-- https://mvnrepository.com/artifact/log4j/log4j -->
<dependency>
<groupId>log4j</groupId>
<artifactId>log4j</artifactId>
<version>1.2.17</version>
</dependency>
</dependencies>

log4j配置（log4j.properties），将INFO及以上等级信息输出到控制台，不单独设置输出文档。

log4j.rootLogger=INFO, Console

#Console
log4j.appender.Console=org.apache.log4j.ConsoleAppender
log4j.appender.Console.layout=org.apache.log4j.PatternLayout
log4j.appender.Console.layout.ConversionPattern=％d [％t] ％-5p [％c] - ％m％n

2、需求分析与代码

2.1需求分析

第一步，建立客户端与服务端的连接，并通过URL获得网页上的HTML内容。

第二步，解析HTML内容，获取需要的元素。

第三步，将HTML内容输出到本地的文本文档中，可直接通过其他数据分析软件进行分析。

根据以上分析，建立4个类，GetHTML（用于获取网站HTML）, ParseHTML（用于解析HTML）, WriteTo（用于输出文档）, Maincontrol（主控）.下面分别对四个类进行说明。为使代码尽量简洁，所有的异常均从方法上直接抛出，不catch。

2.2代码

2.2.1GetHTML类

该类包含两个方法：getH(String url), urlControl(String baseurl, int page)，分别用于获取网页HTML及控制URL。由于此次爬取的网页内容只是京东上某一类商品的搜索结果，所以不需要对页面上所有的URL进行遍历，只需要观察翻页时URL的变化，推出规律即可。只向外暴露urlControl方法，类中设置一个private的log属性：private static Logger log = Logger.getLogger(getHTML.class); 用于记录日志。

getH(String url)，对单个URL的HTML内容进行获取。

urlControl(String baseurl, int page)，设置循环，访问多个页面的数据。通过审查元素可以看到京东上搜索页page的变化实际是奇数顺序的变化。

再看一下点击后网址的变化，可以发现实际变化的是page属性的值。通过拼接的方式就可以很的容易的获得下一个网页的地址。

https://search.jd.com/Search?keyword=％E6％89％8B％E6％9C％BA&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&cid2=653&cid3=655&page=3&s=47&click=0
https://search.jd.com/Search?keyword=％E6％89％8B％E6％9C％BA&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&cid2=653&cid3=655&page=5&s=111&click=0
https://search.jd.com/Search?keyword=％E6％89％8B％E6％9C％BA&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&cid2=653&cid3=655&page=7&s=162&click=0

整体代码：

import java.io.IOException;
import org.apache.http.HttpEntity;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;
import org.apache.log4j.Logger;

public class getHTML {
//建立日志
private static Logger log = Logger.getLogger(getHTML.class);
private static String getH(String url) throws ClientProtocolException, IOException {
//控制台输出日志，这样每条访问的URL都可以在控制台上看到访问情况
log.info("正在解析" + url);

/*
 * 以下内容为HttpClient建立连接的一般用法
 * 使用HttpClient建立客户端
 * 使用get方法访问指定URL
 * 获得应答
 * */

CloseableHttpClient client = HttpClients.createDefault();
HttpGet get = new HttpGet(url);
CloseableHttpResponse response = client.execute(get);

/*
 * 以下内容为将HTML内容转化为String
 * 获得应答体
 * 将应答体转为String格式，此处使用了EntityUtils中的toString方法，编码格式设置为"utf-8"
 * 完成后关闭客户端与应答
 * */
HttpEntity entity = response.getEntity();
String content;
if (entity != null) {
 content = EntityUtils.toString(entity, "utf-8");
 client.close();
 response.close();
 return content;
} else
 return null;
}
public static void urlControl(String baseurl, int page) throws ClientProtocolException, IOException {
//设置当前页count
int count = 1;
//如果当前页小于想要爬取的页数则执行
while (count < page) {
 //实际访问的URL为不变的URL值拼接上URL变化的值
 String u = baseurl + (2 * count - 1) + "&click=0";
 //此处调用ParseHTML类中的方法对URL中的HTML页面进行处理，后面详细介绍该类
 String content = ParseHTML.parse(getH(u)).toString();
 //此处调用WriteTo类中的方法对解析出来的内容写入到本地，后面详细介绍该类
 WriteTo.writeto(content);
 count++;
}
}
}

2.2.2ParseHTML类

该步骤需要通过审查元素对需要爬取内容的标签进行确定，再通过Jsoup中的CSS选择器进行获取。

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

public class ParseHTML {

public static StringBuilder parse(String content)
{
//使用Jsoup中的parse方法对已经转换为String的HTML内容进行分析，返回值为Document类
Document doc = Jsoup.parse(content);
//使用选择器select对需要找的元素进行抓取，例如第一个select中选择的是ul标签中class属性等于gl-warp clearfix的内容
Elements ele = doc.select("ul[class = gl-warp clearfix]").select("li[class=gl-item]");
//设置一个容器，用于装各个属性
StringBuilder sb = new StringBuilder();
//通过上一个选择器可以获得整个页面中所有符合要求的元素，也即各款手机，下面则需要对每款手机进行遍历，获取其属性
for (Element e : ele) {
 //此处对各个属性的获取参考了网上一篇爬取京东上内容的文章，应该有其他不同的写法
 String id = e.attr("data-pid");
 String mingzi = e.select("div[class = p-name p-name-type-2]").select("a").select("em").text();
 String jiage = e.select("div[class=p-price]").select("strong").select("i").text();
 String pinglun = e.select("div[class=p-commit]").select("strong").select("a").text();
 //向容器中添加属性
 sb.append(id+"\t");
 sb.append(mingzi+"\t");
 sb.append(jiage+"\t");
 sb.append(pinglun+"\t");
 sb.append("\r\n");
}
return sb;
}
}

2.2.3WriteTo类

此类中的方法将解析完成的内容写入到一个本地文件中。只是简单的IO。

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;

public class WriteTo {
// 设置文件存放的位置
private static File f = new File("C:\\jingdong.txt");
public static void writeto(String content) throws IOException {
//使用续写的方式，以免覆盖前面写入的内容
BufferedWriter bw = new BufferedWriter(new FileWriter(f, true));
bw.append(content);
bw.flush();
bw.close();
}
}

2.2.4MainControl类

主控程序，写入基地址与想要获取的页面数。调用getHTML类中的urlControl方法对页面进行抓取。

import java.io.IOException;
import org.apache.http.client.ClientProtocolException;

public class MainControl {
public static void main(String[] args) throws ClientProtocolException, IOException {
// TODO Auto-generated method stub
String baseurl = "https://search.jd.com/Search?keyword=％E6％89％8B％E6％9C％BA&enc="
 + "utf-8&qrst=1&rt=1&stop=1&vt=2&cid2=653&cid3=655&page=";
int page = 5;//设置爬取页数
getHTML.urlControl(baseurl, page);
}
}

3、爬取结果

爬取20页。

3.1控制台输出

3.2文档输出

可以直接使用Excel打开，分隔符为制表符。列分别为商品编号，名称，价格与评论数。

4、小结

此次爬取使用了HttpClient与Jsoup，可以看到对于简单的需求，这些工具还是非常高效的。实际上也可以把所有类写到一个类当中，写多个类的方式思路比较清晰。

来源：http://www.cnblogs.com/pandasgb/archive/2017/11/30/7920323.html