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
Java實(shí)現(xiàn)二分查找樹及其相關(guān)操作
二分查找樹是一種有組織的二叉樹。我們可以通過鏈接節(jié)點(diǎn)表示這樣一棵樹,二分查找樹(Binary Search Tree)的基本操作有搜索、求最大值、求最小值、求前驅(qū)、求后繼、插入及刪除,對(duì)java二分查找樹相關(guān)知識(shí)感興趣的朋友一起看看吧2021-07-07
SpringMvc接收參數(shù)方法總結(jié)(必看篇)
下面小編就為大家?guī)硪黄猄pringMvc接收參數(shù)方法總結(jié)(必看篇)。小編覺得挺不錯(cuò)的,現(xiàn)在就分享給大家,也給大家做個(gè)參考。一起跟隨小編過來看看吧2017-06-06
從Mybatis-Plus開始認(rèn)識(shí)SerializedLambda的詳細(xì)過程
idea打不開雙擊IDEA圖標(biāo)沒反應(yīng)的快速解決方案

