【多线程数据采集课题】java采集网页数据方法

【多线程数据采集专题】java采集网页数据方法

java多线程网络数据采集第一步抓取数据。

java采集网页数据。获取html文本节点

有几种办法。转载文章请注明来处：http://blog.****.net/column/details/threadgrab.html

第一种：采用HttpURLConnection

package com.yjf.util;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;

public class HttpWebUtil {
	
	/**
     *网页抓取方法
     * @param urlString      要抓取的url地址
     * @param charset        网页编码方式
     * @param timeout        超时时间
     * @return               抓取的网页内容
     * @throws IOException   抓取异常
     */
    public static String GetWebContent(String urlString, final String charset, int timeout) throws IOException {
        if (urlString == null || urlString.length() == 0) {
            return "";
        }
        urlString = (urlString.startsWith("http://") || urlString.startsWith("https://")) ? urlString : ("http://" + urlString).intern();
        URL url = new URL(urlString);
        HttpURLConnection conn = (HttpURLConnection) url.openConnection();
        conn.setDoOutput(true);   
        conn.setRequestProperty("Pragma", "no-cache");   
        conn.setRequestProperty("Cache-Control", "no-cache");   
        
        int temp = Integer.parseInt(Math.round(Math.random()*(UserAgent.length-1))+"");
        conn.setRequestProperty(
                "User-Agent",
                	UserAgent[temp]);  // 模拟手机系统
        conn.setRequestProperty("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8");//只接受text/html类型，当然也可以接受图片,pdf,*/*任意，就是tomcat/conf/web里面定义那些
        conn.setConnectTimeout(timeout);
        try {
            if (conn.getResponseCode() != HttpURLConnection.HTTP_OK) {
                return "";
            }
        } catch (Exception e) {
        	try {
        		System.out.println(e.getMessage());
			} catch (Exception e2) {
				e2.printStackTrace();
			}
            return "";
        }
        InputStream input = conn.getInputStream();
        BufferedReader reader = new BufferedReader(new InputStreamReader(input,
                charset));
        String line = null;
        StringBuffer sb = new StringBuffer("");
        while ((line = reader.readLine()) != null) {
            sb.append(line).append("\r\n");
        }
        if (reader != null) {
            reader.close();
        }
        if (conn != null) {
            conn.disconnect();
        }
        return sb.toString();
    }
    
    public static String[] UserAgent = {
		"Mozilla/5.0 (Linux; U; Android 2.2; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.2",
		"Mozilla/5.0 (iPad; U; CPU OS 3_2_2 like Mac OS X; en-us) AppleWebKit/531.21.10 (KHTML, like Gecko) Version/4.0.4 Mobile/7B500 Safari/531.21.11",
		"Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18121",
		"Nokia5700AP23.01/SymbianOS/9.1 Series60/3.0",
		"UCWEB7.0.2.37/28/998",
		"NOKIA5700/UCWEB7.0.2.37/28/977",
		"Openwave/UCWEB7.0.2.37/28/978",
		"Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/989"
	};
	
}

第二种：采用jar插件Jsoup.jar

org.jsoup.Jsoup

//站点入口列表
	public static List<String> getSiteUrlList1(List<String> list,String listurl){
		if(list==null || list.size()<=0){
			list = new ArrayList<String>();
		}
		try {
			Document docdata = Jsoup.connect(listurl).timeout(10000).get();
			String hb = ".m_book li a";
			String page = ".page_list .page_up";
			Elements ele = docdata.select(hb);
			for (Element el : ele) {
				list.add(el.attr("href"));
			}
			if(docdata.select(page)!=null && docdata.select(page).first()!=null){
				String url = "http://www.xxxxx.com/site_map/"+docdata.select(page).first().attr("href");
				getSiteUrlList1(list, url);
			}
		} catch (Exception e) {
			e.printStackTrace();
		}
		return list;
	}

第三种：http模拟器

可以请求表单数据和重定向

http://blog.****.net/yjflinchong/article/details/8004706

以上先描述第一步抓取数据。后期加入多线程网络数据采集完整介绍。

4楼yjflinchong16分钟前: 以后定时更新数据采集后期文章。

3楼yjflinchong28分钟前: 以前没时间发布专栏文章，这些天离职了。在家闲着就写写经验。

2楼yjflinchong1小时前: 请朋友们多多支持。原创文章。转载请注明出处

1楼liangbinny1小时前: 学习了，楼主能否帮我看下以下这个论坛的html源码能否采集的到？nhttp://www.19lou.com/forum-26-thread-11501349353908253-1-1.htmln这个地址是经过重定向的，用第一种方法提取不了。

【多线程数据采集课题】java采集网页数据方法

相关推荐