当前位置:首页 > 公众号精选 > 架构师社区
[导读]大家好,我是大尧。今天我们使用Java语言写一个爬虫,用来爬取csdn首页推荐博客的博主,看看这些博主有多少人在写微信公众号。一、爬虫原理爬虫就是去请求某个url,然后将响应的页面进行解析,将解析到的数据保存,同时解析出当前页面的url,继续进行爬取,一直循环下去,爬取当前网站的...

大家好,我是大尧。

今天我们使用Java语言写一个爬虫,用来爬取csdn首页推荐博客的博主,看看这些博主有多少人在写微信公众号。

一、爬虫原理

爬虫就是去请求某个url,然后将响应的页面进行解析,将解析到的数据保存,同时解析出当前页面的url,继续进行爬取,一直循环下去,爬取当前网站的内容。

我用java爬了一下CSDN,发现了这些秘密。。。

二、分析CSDN页面数据

因为我们的目标很明确,就是去分析首页推荐博客博主写微信公众号的比例,因此我们只需要找到我们需要的数据进行保存即可,不需要爬取网站的全部数据。

2.1 找到CSDN首页的博客链接

  • 在浏览器输入csdn首页链接https://www.csdn.net/

  • 找到我们爬取的目标,如下图所示

我用java爬了一下CSDN,发现了这些秘密。。。
  • 使用f12查看目标元素
我用java爬了一下CSDN,发现了这些秘密。。。
根据目标元素,我们可以提取两个关键元素,其一是目标链接在中,其二是博客地址的格式为https://blog.csdn.net/ "用户名" /article/details/ "文章标识"(记住这个博客地址,后面有用)。

2.2 提取设置了公众号信息的博主

在文章详情页面有博主相关的信息,csdn博客左侧有一块是博主用来自定义信息的,如下图:

我用java爬了一下CSDN,发现了这些秘密。。。

还是一样,f12来查看DOM元素,发这一块内容在id=asideCustom

中。

我用java爬了一下CSDN,发现了这些秘密。。。

2.3 爬取思路

  1. 通过爬取首页,解析出所有a标签

  2. 筛选a标签,根据博客地址格式,匹配到所有的博客地址

  3. 爬取博客地址,解析id=asideCustom

  4. 如果第3步可以解析出来,则说明该博主设置了自定义信息

三、编写爬虫

根据上面的分析我们需要两个工具包,一个是httpclient用于网络请求,另一个是用来解析DOM元素的jsoup

<dependency>
    <groupId>org.apache.httpcomponentsgroupId>
    <artifactId>httpclientartifactId>
    <version>4.5.10version>
dependency>


<dependency>
    <groupId>org.jsoupgroupId>
    <artifactId>jsoupartifactId>
    <version>1.10.1version>
dependency>
网络调用伪代码

public static ArrayList HttpUtil(HashSet urls){
    CloseableHttpClient httpClient = HttpClients.createDefault();
    CloseableHttpResponse response = null;
    ArrayList list = new ArrayList<>();
    try {
        for(String url : urls){
            HttpGet request = new HttpGet(url);
            response = httpClient.execute(request);

            //判断响应状态为200,请求成功,进行处理
            if(response.getStatusLine().getStatusCode() == 200) {
                HttpEntity httpEntity = response.getEntity();
                String html = EntityUtils.toString(httpEntity, "utf-8");
                Document document = Jsoup.parse(html);
                list.add(document);
            } else {
                System.out.println("返回状态不是200");
            }
        }
    } catch (ClientProtocolException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    } finally {
        HttpClientUtils.closeQuietly(response);
        HttpClientUtils.closeQuietly(httpClient);
    }
    return list;
}
调用及解析伪代码

public static void main(String[] args) {

    // 标记有多少博主设置了自定义信息
    int i = 0;
    // 首页url
    HashSet url = new HashSet<>();
    // 文章urls
    HashSet articleUrls = new HashSet<>();
    url.add("https://www.csdn.net/");
    // 爬取csdn首页
    ArrayList list = HttpUtil(url);
    // 选择a标签
    for(Document document : list){
        Elements a = document.select("a");
        for(Element element : a){
            // 获取a中的url
            //  
            String href = element.attr("href");
            // 筛选博客地址
            if(href.contains("article/details")){
                articleUrls.add(href);
            }
        }
    }
    ArrayList list2 = HttpUtil(articleUrls);
    for(Document document : list2){
        Element asideCustom = document.getElementById("asideCustom");
        if(asideCustom != null){
            i ;
        }
    }
    // 输出爬取的文章数量 和 设置了自定义信息的博主数量
    System.out.println("爬取的文章数量=" articleUrls.size() "\n" "写公众号的博主数量=" i);
}
控制台输出信息

爬取的文章数量=25
写公众号的博主数量=5

四、结尾

从上面的结果中可以看出,在25篇博客中,就有五个博主在写公众号。但是,这个数据并不能说明csdn的1/5博主就在更新自己的公众号。

  1. csdn首页推荐数据是分页拉取的,爬虫只能爬取到第一页的数据,也就是25条
  2. 有些博主虽然设置了自定义信息,但是并不是公众号
  3. 有些博主虽然没有设置自定义信息,但是在简介或者其他地方留了公众号名称
不过这些都没关系,本文的重点是使用java语言写个爬虫程序,来爬取目标数据。

本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除。
关闭
关闭