Java爬蟲抓取視頻網(wǎng)站下載鏈接
本篇文章抓取目標(biāo)網(wǎng)站的鏈接的基礎(chǔ)上,進(jìn)一步提高難度,抓取目標(biāo)頁面上我們所需要的內(nèi)容并保存在數(shù)據(jù)庫中。這里的測試案例選用了一個(gè)我常用的電影下載網(wǎng)站(http://www.80s.la/)。本來是想抓取網(wǎng)站上的所有電影的下載鏈接,后來感覺需要的時(shí)間太長,因此改成了抓取2015年電影的下載鏈接。
一 原理簡介
其實(shí)原理都跟第一篇文章差不多,不同的是鑒于這個(gè)網(wǎng)站的分類列表實(shí)在太多,如果不對(duì)這些標(biāo)簽加以取舍的話,需要花費(fèi)的時(shí)間難以想象。
分類鏈接和標(biāo)簽鏈接都不要,不通過這些鏈接去爬取其他頁面,只通過頁底的所有類型電影的分頁去獲取其他頁面的電影列表即可。同時(shí),對(duì)于電影詳情頁面,僅僅只是抓取其中的電影標(biāo)題和迅雷下載鏈接,并不進(jìn)行深層次的爬行,詳情頁面的一些推薦電影等鏈接通通不要。
最后就是將所有獲取到的電影的下載鏈接保存在videoLinkMap這個(gè)集合中,通過遍歷這個(gè)集合將數(shù)據(jù)保存到MySQL里
二 代碼實(shí)現(xiàn)
實(shí)現(xiàn)原理已經(jīng)在上面說了,并且代碼中有詳細(xì)注釋,因此這里就不多說了,代碼如下:
package action; import java.io.BufferedReader; import java.io.IOException; import java.io.InputStream; import java.io.InputStreamReader; import java.net.HttpURLConnection; import java.net.MalformedURLException; import java.net.URL; import java.sql.Connection; import java.sql.PreparedStatement; import java.sql.SQLException; import java.util.LinkedHashMap; import java.util.Map; import java.util.regex.Matcher; import java.util.regex.Pattern; public class VideoLinkGrab { public static void main(String[] args) { VideoLinkGrab videoLinkGrab = new VideoLinkGrab(); videoLinkGrab.saveData("http://www.80s.la/movie/list/-2015----p"); } /** * 將獲取到的數(shù)據(jù)保存在數(shù)據(jù)庫中 * * @param baseUrl * 爬蟲起點(diǎn) * @return null * */ public void saveData(String baseUrl) { Map<String, Boolean> oldMap = new LinkedHashMap<String, Boolean>(); // 存儲(chǔ)鏈接-是否被遍歷 Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 視頻下載鏈接 String oldLinkHost = ""; // host Pattern p = Pattern.compile("(https?://)?[^/\\s]*"); // 比如:http://www.zifangsky.cn Matcher m = p.matcher(baseUrl); if (m.find()) { oldLinkHost = m.group(); } oldMap.put(baseUrl, false); videoLinkMap = crawlLinks(oldLinkHost, oldMap); // 遍歷,然后將數(shù)據(jù)保存在數(shù)據(jù)庫中 try { Connection connection = JDBCDemo.getConnection(); for (Map.Entry<String, String> mapping : videoLinkMap.entrySet()) { PreparedStatement pStatement = connection .prepareStatement("insert into movie(MovieName,MovieLink) values(?,?)"); pStatement.setString(1, mapping.getKey()); pStatement.setString(2, mapping.getValue()); pStatement.executeUpdate(); pStatement.close(); // System.out.println(mapping.getKey() + " : " + mapping.getValue()); } connection.close(); } catch (SQLException e) { e.printStackTrace(); } } /** * 抓取一個(gè)網(wǎng)站所有可以抓取的網(wǎng)頁鏈接,在思路上使用了廣度優(yōu)先算法 對(duì)未遍歷過的新鏈接不斷發(fā)起GET請(qǐng)求, 一直到遍歷完整個(gè)集合都沒能發(fā)現(xiàn)新的鏈接 * 則表示不能發(fā)現(xiàn)新的鏈接了,任務(wù)結(jié)束 * * 對(duì)一個(gè)鏈接發(fā)起請(qǐng)求時(shí),對(duì)該網(wǎng)頁用正則查找我們所需要的視頻鏈接,找到后存入集合videoLinkMap * * @param oldLinkHost * 域名,如:http://www.zifangsky.cn * @param oldMap * 待遍歷的鏈接集合 * * @return 返回所有抓取到的視頻下載鏈接集合 * */ private Map<String, String> crawlLinks(String oldLinkHost, Map<String, Boolean> oldMap) { Map<String, Boolean> newMap = new LinkedHashMap<String, Boolean>(); // 每次循環(huán)獲取到的新鏈接 Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 視頻下載鏈接 String oldLink = ""; for (Map.Entry<String, Boolean> mapping : oldMap.entrySet()) { // System.out.println("link:" + mapping.getKey() + "--------check:" // + mapping.getValue()); // 如果沒有被遍歷過 if (!mapping.getValue()) { oldLink = mapping.getKey(); // 發(fā)起GET請(qǐng)求 try { URL url = new URL(oldLink); HttpURLConnection connection = (HttpURLConnection) url .openConnection(); connection.setRequestMethod("GET"); connection.setConnectTimeout(2500); connection.setReadTimeout(2500); if (connection.getResponseCode() == 200) { InputStream inputStream = connection.getInputStream(); BufferedReader reader = new BufferedReader( new InputStreamReader(inputStream, "UTF-8")); String line = ""; Pattern pattern = null; Matcher matcher = null; //電影詳情頁面,取出其中的視頻下載鏈接,不繼續(xù)深入抓取其他頁面 if(isMoviePage(oldLink)){ boolean checkTitle = false; String title = ""; while ((line = reader.readLine()) != null) { //取出頁面中的視頻標(biāo)題 if(!checkTitle){ pattern = Pattern.compile("([^\\s]+).*?</title>"); matcher = pattern.matcher(line); if(matcher.find()){ title = matcher.group(1); checkTitle = true; continue; } } // 取出頁面中的視頻下載鏈接 pattern = Pattern .compile("(thunder:[^\"]+).*thunder[rR]es[tT]itle=\"[^\"]*\""); matcher = pattern.matcher(line); if (matcher.find()) { videoLinkMap.put(title,matcher.group(1)); System.out.println("視頻名稱: " + title + " ------ 視頻鏈接:" + matcher.group(1)); break; //當(dāng)前頁面已經(jīng)檢測完畢 } } } //電影列表頁面 else if(checkUrl(oldLink)){ while ((line = reader.readLine()) != null) { pattern = Pattern .compile("<a href=\"([^\"\\s]*)\""); matcher = pattern.matcher(line); while (matcher.find()) { String newLink = matcher.group(1).trim(); // 鏈接 // 判斷獲取到的鏈接是否以http開頭 if (!newLink.startsWith("http")) { if (newLink.startsWith("/")) newLink = oldLinkHost + newLink; else newLink = oldLinkHost + "/" + newLink; } // 去除鏈接末尾的 / if (newLink.endsWith("/")) newLink = newLink.substring(0, newLink.length() - 1); // 去重,并且丟棄其他網(wǎng)站的鏈接 if (!oldMap.containsKey(newLink) && !newMap.containsKey(newLink) && (checkUrl(newLink) || isMoviePage(newLink))) { System.out.println("temp: " + newLink); newMap.put(newLink, false); } } } } reader.close(); inputStream.close(); } connection.disconnect(); } catch (MalformedURLException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } try { Thread.sleep(1000); } catch (InterruptedException e) { e.printStackTrace(); } oldMap.replace(oldLink, false, true); } } // 有新鏈接,繼續(xù)遍歷 if (!newMap.isEmpty()) { oldMap.putAll(newMap); videoLinkMap.putAll(crawlLinks(oldLinkHost, oldMap)); // 由于Map的特性,不會(huì)導(dǎo)致出現(xiàn)重復(fù)的鍵值對(duì) } return videoLinkMap; } /** * 判斷是否是2015年的電影列表頁面 * @param url 待檢查URL * @return 狀態(tài) * */ public boolean checkUrl(String url){ Pattern pattern = Pattern.compile("http://www.80s.la/movie/list/-2015----p\\d*"); Matcher matcher = pattern.matcher(url); if(matcher.find()) return true; //2015年的列表 else return false; } /** * 判斷頁面是否是電影詳情頁面 * @param url 頁面鏈接 * @return 狀態(tài) * */ public boolean isMoviePage(String url){ Pattern pattern = Pattern.compile("http://www.80s.la/movie/\\d+"); Matcher matcher = pattern.matcher(url); if(matcher.find()) return true; //電影頁面 else return false; } }
注:如果想要實(shí)現(xiàn)抓取其他網(wǎng)站的一些指定內(nèi)容的話,需要將其中的一些正則表達(dá)式根據(jù)實(shí)際情況進(jìn)行合理修改
三 測試效果
以上就是本文的全部內(nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
- JAVA使用爬蟲抓取網(wǎng)站網(wǎng)頁內(nèi)容的方法
- 零基礎(chǔ)寫Java知乎爬蟲之抓取知乎答案
- 零基礎(chǔ)寫Java知乎爬蟲之將抓取的內(nèi)容存儲(chǔ)到本地
- Java爬蟲實(shí)戰(zhàn)抓取一個(gè)網(wǎng)站上的全部鏈接
- java爬蟲Gecco工具抓取新聞實(shí)例
- java正則表達(dá)式簡單使用和網(wǎng)頁爬蟲的制作代碼
- 基于Java HttpClient和Htmlparser實(shí)現(xiàn)網(wǎng)絡(luò)爬蟲代碼
- java實(shí)現(xiàn)簡單的爬蟲之今日頭條
- Java實(shí)現(xiàn)的爬蟲抓取圖片并保存操作示例
- 一篇文章教會(huì)你使用java爬取想要的資源
相關(guān)文章
SpringBoot集成Mybatis的實(shí)現(xiàn)步驟
這篇文章主要介紹了SpringBoot集成Mybatis的實(shí)現(xiàn)步驟,本文通過SpringBoot +MyBatis 實(shí)現(xiàn)對(duì)數(shù)據(jù)庫學(xué)生表的查詢操作,需要的朋友可以參考下2020-12-12intelliJ idea 2023 配置Tomcat 8圖文教程
這篇文章主要介紹了intelliJ idea 2023 配置Tomcat 8教程,本文通過圖文并茂的形式給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2023-06-06spring中FactoryBean中的getObject()方法實(shí)例解析
這篇文章主要介紹了spring中FactoryBean中的getObject()方法實(shí)例解析,分享了相關(guān)代碼示例,小編覺得還是挺不錯(cuò)的,具有一定借鑒價(jià)值,需要的朋友可以參考下2018-02-02云服務(wù)器環(huán)境搭建及部署(jdk、mysql、redis、nginx環(huán)境搭建)詳細(xì)步驟
這篇文章主要給大家介紹了關(guān)于云服務(wù)器環(huán)境搭建及部署(jdk、mysql、redis、nginx環(huán)境搭建)詳細(xì)步驟的相關(guān)資料,要在云服務(wù)器上搭建JDK、MySQL、Redis和Nginx的環(huán)境,可以按照以下步驟進(jìn)行操作,需要的朋友可以參考下2024-01-01IDEA編譯報(bào)錯(cuò):Error:java:無效的源發(fā)行版:17的解決辦法
IDEA里面裝了幾個(gè)版本的JDK,導(dǎo)入工程后時(shí)不時(shí)提示一下錯(cuò)誤,下面這篇文章主要給大家介紹了關(guān)于IDEA編譯報(bào)錯(cuò):Error:java:無效的源發(fā)行版:17的解決辦法,需要的朋友可以參考下2023-01-01Spring中的底層架構(gòu)核心概念類型轉(zhuǎn)換器詳解
這篇文章主要介紹了Spring中的底層架構(gòu)核心概念類型轉(zhuǎn)換器詳解,本文結(jié)合示例代碼給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2022-12-12