流程
1:提供要抓取的网页地址(列表)
2:提取网页列表中目标所有LINK
3:抓取LINK中的所有网页(爬虫)
4:解析正文内容
5:存入数据库
一、抓取任务(主程序)
package com.test;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.List;
public class CatchJob {
public String catchJob(String url){
String document= null;
List allLinks = null;
try {
// 获取网页内容
document = ExtractPage.getContentByUrl(url);
// 获取页面指定内容的Link
allLinks = ExtractPage.getLinksByConditions(document, "http://www.free9.net/others/gift/");
if(allLinks!=null&&!allLinks.isEmpty()){
for(int i=0;i<allLinks.size();i++){
String link = (String)allLinks.get(i);
String content = ExtractPage.getContentByUrl(link);
ExtractPage.readByHtml(content);
}
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
return "success";
}
public static void main(String[] args){
Long startTime = System.currentTimeMillis();
System.out.println(">>start.......");
String httpProxyHost = "211.167.0.131";//default http proxy
String httpProxyPort = "80"; //default http port
System.getProperties().setProperty( "http.proxyHost", httpProxyHost);
System.getProperties().setProperty( "http.proxyPort", httpProxyPort);
CatchJob job = new CatchJob();
//System.out.println(job.catchJob("http://www.free9.net/others/gift/2008-12-09/12288046534312.htm"));
System.out.println(job.catchJob("http://www.free9.net/others/gift/"));
Date date = new Date(System.currentTimeMillis()-startTime);
SimpleDateFormat sdf = new SimpleDateFormat("HH:mm:ss ");
String s = sdf.format(date);
System.out.println(">>end.......USE"+s+"秒");
}
}
二、抓取网页内容,并解析
package com.test;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.MalformedURLException;
import java.net.URL;
import java.util.ArrayList;
import java.util.List;
import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.NodeClassFilter;
import org.htmlparser.filters.OrFilter;
import org.htmlparser.tags.Div;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.tags.TitleTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
public class ExtractPage {
//抓取页面内容
public static String getContentByUrl(String url){
System.out.println("**********抓取页面内容***********");
StringBuffer document= null;
URL targetUrl;
try {
targetUrl = new URL(url);
HttpURLConnection con = (HttpURLConnection) targetUrl.openConnection();
con.setFollowRedirects(true);
con.setInstanceFollowRedirects(false);
con.connect();
BufferedReader br = new BufferedReader(new InputStreamReader(con.getInputStream(),"gb2312"));
String s = "";
document= new StringBuffer();
while ((s = br.readLine()) != null) {
document.append(s+"\r\n");
}
s=null;
br.close();
return document.toString();
} catch (MalformedURLException e) {
// TODO Auto-generated catch block
e.printStackTrace();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
return null;
}
// 按页面方式处理.解析标准的html页面
public static void readByHtml(String result) throws Exception
{
System.out.println("**********按页面方式处理.解析标准的html页面***********");
Parser parser;
NodeList nodelist;
parser = Parser.createParser(result, "utf8");
NodeFilter textFilter = new NodeClassFilter(Div.class);
//NodeFilter linkFilter = new NodeClassFilter(LinkTag.class);
NodeFilter titleFilter = new NodeClassFilter(TitleTag.class);
OrFilter lastFilter = new OrFilter();
lastFilter.setPredicates(new NodeFilter[] { textFilter,titleFilter});
nodelist = parser.parse(lastFilter);
Node[] nodes = nodelist.toNodeArray();
StringBuffer page = new StringBuffer();
String id = "";
for (int i = 0; i < nodes.length; i++) {
Node node = nodes[i];
if (node instanceof Div) {
Div textnode = (Div) node;
id = textnode.getAttribute("id");
if ("Zoom".equals(id)) {
//System.out.println(textnode.getChild(5).toHtml());
page.append(textnode.getChild(5).toHtml().toString());
page.append(textnode.getChild(6).toHtml().toString());
}
}else if (node instanceof TitleTag) {
TitleTag titlenode = (TitleTag) node;
page.append(titlenode.getTitle().substring(0, titlenode.getTitle().indexOf("|")));
}
/*
else if (node instanceof LinkTag) {
LinkTag link = (LinkTag) node;
line = link.getLink();
} else if (node instanceof TitleTag) {
TitleTag titlenode = (TitleTag) node;
line = titlenode.getTitle();
}
*/
//if (isTrimEmpty(line))
//continue;
}
System.out.println(page.toString());
}
//获取页面指定内容的Link
public static List getLinksByConditions(String result,String coditions){
System.out.println("**********//获取页面指定内容的Link***********");
List links = null;
Parser parser;
NodeList nodelist;
parser = Parser.createParser(result, "utf8");
NodeFilter linkFilter = new NodeClassFilter(LinkTag.class);
try {
links = new ArrayList();
nodelist = parser.parse(linkFilter);
Node[] nodes = nodelist.toNodeArray();
for (int i = 0; i < nodes.length; i++) {
Node node = nodes[i];
if (node instanceof LinkTag) {
LinkTag link = (LinkTag) node;
if(link.toHtml().indexOf(coditions)!=-1&&link.toHtml().indexOf("index")==-1&&link.toHtml().indexOf(".htm")!=-1){
System.out.println(link.toHtml());
links.add(link.getLink());
}
}
//if (isTrimEmpty(line))
//continue;
}
} catch (ParserException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
return links;
}
}
分享到:
相关推荐
HTML定时抓取程序是一种基于HTTP协议的自动化工具,主要用于定期从互联网上获取特定网页的内容,并将其保存为.htm格式的文件。这种程序在信息监控、数据分析、网站维护等多个领域都有广泛应用。接下来,我们将深入...
在IT行业中,图片定时抓取是一项常见的需求,例如用于数据监测、新闻聚合或者个人收藏等。本项目名为“图片定时抓取代码”,其主要功能是自动化地从指定网页抓取图片,并且设置为定时任务,使得程序能持续运行,无需...
在IT行业中,定时抓取(定时任务)是一种常见的需求,特别是在大数据分析、网站监控和信息自动化更新等场景中。为了实现这一功能,开发者通常会利用各种工具和库,其中Java平台上的jar包尤为常见。本资源提供的...
本项目“用Delphi做的定时抓取活动窗口”涉及到的是利用Delphi进行系统监控和屏幕捕获的技术,这在自动化测试、数据分析、监控软件以及屏幕录制等多种场景中有广泛应用。 首先,我们需要理解“活动窗口”的概念。在...
在Windows CE(简称Wince)操作系统环境下,开发一个EVC(Embedded Visual C++)定时抓取屏幕的小程序是一项实用的任务。这个小程序可以帮助用户定期捕获设备的屏幕快照,保存为图像文件,以便进行监控、分析或记录...
标题中的“读取json文件定时抓取新数据”是一个典型的Web应用功能,它涉及到两个主要技术:JSON数据处理和定时任务。JSON(JavaScript Object Notation)是一种轻量级的数据交换格式,广泛用于前后端交互。定时抓取...
在IT行业中,定时抓取网站数据是一项常见的任务,特别是在数据分析、信息监控和自动化报告等领域。图灵社区是一个知名的IT知识分享平台,提供了丰富的技术书籍、文章和资源。本项目的目标是利用JavaScript技术定时...
【ASP.NET编程知识】.NET Core 实现定时抓取网站文章并发送到邮箱 这篇文章将带你深入了解如何使用.NET Core框架创建一个自动定时抓取指定网站文章,并将其内容发送至指定邮箱的应用程序。这个实用工具主要涉及到...
java定时抓取指定微信公众号账号文章程序
1. **定时抓取和解析数据** 要定时抓取股票数据,可以使用Python的`schedule`库或者`APScheduler`库。这些库允许我们设置定时任务,定期执行爬虫程序。首先,你需要确定数据源,例如雅虎财经、Google财经或国内的...
【标题】中的“自动定时FTP抓取生成一周日备份的批处理”是一个关于服务器管理和数据安全的话题,主要涉及以下几个核心知识点: 1. **自动备份**:自动备份是系统或服务的一项重要功能,它能定期创建数据副本,以防...
水木清华社区招聘信息抓取并存入数据库,每一小时自动更新一次。 水木的招聘信息更新频繁,但是访问速度实在是很慢,于是就想不如把数据抓下来。 后面可能添加别的招聘网站的数据。 使用了Jsoup抓取...
当操作系统不方便装屏幕记录软件,但又需要看已经登录用户在干什么的时候,用PowerShell的脚本来实现定时抓取图像的方式记录操作,查看图像就知道登陆用户做了什么,当然你存放图片的目录要隐蔽,不要让用户发现了为...
爬虫,也称为网络爬虫或网页抓取器,是一种自动化程序,用于从互联网上抓取大量信息。在C#中,我们可以使用HttpClient类或者WebClient类来发送HTTP请求并获取网页内容。HttpClient是.NET Framework 4.5及更高版本中...
为了实现定时抓取和发送,项目可能使用了时间调度库,如Python的schedule或APScheduler,它们可以按设定的时间间隔运行特定任务。 总结起来,这个项目综合运用了网络爬虫技术来自动抓取电子报纸的信息,然后通过...
在IT领域,网络数据抓取是一项重要的技能,特别是在大数据分析、搜索引擎优化和市场研究中。本文将详细讨论如何使用Java语言来抓取网页数据,包括两种主要方法:直接抓取原网页内容和处理网页中的JavaScript返回数据...
6. **定时任务**:为了实现定时抓取,项目可能使用了定时任务调度器,如Linux的cron或者Python的APScheduler库。定时任务会在预设的时间间隔执行爬虫任务,确保信息的实时更新。 7. **安全与合规**:在进行数据抓取...
每天定时抓取 自动刷新token 省份、市的所有代码 token自动刷新 根据地址自动将省份、市、区县进行分割 所有数据存到redis里面 可以自动登录,账号需要独立 getnewdata.py 项目主入口 other放城市和省份代码 common...
4. **计划任务**:Teleport Ultra支持定时抓取,通过`scheduler.exe`文件进行设置,用户可以安排在特定时间自动执行抓取任务,保持网站镜像的更新。 5. **文件管理**:抓取完成后,所有文件会被组织在一个项目目录...