爬虫+基于接口的网络爬虫
上一篇讲了【java爬虫】---爬虫+jsoup轻松爬博客，该方式有个很大的局限性，就是你通过jsoup爬虫只适合爬静态网页，所以只能爬当前页面的所有新闻。如果需要爬一个网站所有信息，就得通过接口，通过改变参数反复调该网站的接口，爬到该网站的所有数据信息。
本博客以爬金色财经新闻信息为对象，去爬取该网站从建站以来发表的所有新闻信息。下面会一步一步讲解。这里重点重点讲思路，最后我会提供完整源码。
第一步：找接口
你要获得该网站所有新闻数据，第一步当然是获得接口，通过接口来获取所有信息。
F12-->Network-->all，找到接口：https://api.jinse.com/v4/information/listcatelogue_key=news&limit=23&information_id=56630&flag=down&version=9.9.9
对这三个参数做个说明：
limit=23 代表每次调用该接口返回23条数据。
information_id=56630 代表下面返回的23条数据是通过大于56630或者小于56630这个ID指来返回数据。
flag=down 代表向下翻页 这里也就是指ID小于56630的23条数据。
通过postMan测试
输入：https://api.jinse.com/v4/information/list?catelogue_key=news&limit=2&information_id=0&flag=down&version=9.9.9（这里返回两条，id=0这里代表最新的两条数据）
返回json数据格式：
{ "news": 2, "count": 2, "total": null, "top_id": 58300, "bottom_id": 58325, "list": [ { "id": 58300, "title": "跨越牛熊的摆渡人：看金融IT服务如何助力加密货币交易", "short_title": "当传统金融IT服务商进入加密货币时代", "type": 1, "order": 0, "is_top": false, "extra": { "version": "9.9.9", "summary": "存量资金与投资者日渐枯竭，如何获取新用户和新资金入场，成为大小交易所都在考虑的问题。而交易深度有限、流动性和行情稳定性不佳，也成为横亘在牛熊之间的一道障碍。", "published_at": 1532855806, "author": "临渊", "author_avatar": "https://img.jinse.com/753430_image20.png", "author_id": 127939, "author_level": 1, "read_number": 27064, "read_number_yuan": "2.7万", "thumbnail_pic": "https://img.jinse.com/996033_image1.png", "thumbnails_pics": [ "https://img.jinse.com/996033" ], "thumbnail_type": 1, "source": "金色财经", "topic_url": "https://m.jinse.com/news/blockchain/219916.html", "attribute_exclusive": "", "attribute_depth": "深度", "attribute_spread": "" } }, { "id": 58325, "title": "各路大佬怎样看待区块链：技术新武器应寻找新战场", "short_title": "各路大佬怎样看待区块链：技术新武器应寻找新战场", "type": 1, "order": 0, "is_top": false, "extra": { "version": "9.9.9", "summary": "今年年初由区块链社区引发的讨论热潮,成为全民一时热议的话题,罕有一项技术,能像区块链这样——在其应用还未大范围铺开、被大众直观感知时,就搅起舆论风暴,扰动民众情绪。", "published_at": 1532853425, "author": "新浪财经", "author_avatar": "https://img.jinse.com/581794_image20.png", "author_id": 94556, "author_level": 5, "read_number": 33453, "read_number_yuan": "3.3万", "thumbnail_pic": "https://img.jinse.com/995994_image1.png", "thumbnails_pics": [ "https://img.jinse.com/995994" ], "thumbnail_type": 1, "source": "新浪财经", "topic_url": "https://m.jinse.com/blockchain/219934.html", "attribute_exclusive": "", "attribute_depth": "", "attribute_spread": "" } } ] }
第二步：通过定时任务开启爬虫工作
@Slf4j @Component public class SchedulePressTrigger { @Autowired private CrawlerJinSeLivePressService crawlerJinSeLivePressService; /** * 定时抓取金色财经的新闻 */ @Scheduled(initialDelay = 1000, fixedRate = 600 * 1000) public void doCrawlJinSeLivePress() { // log.info("开始抓取金色财经新闻, time:" + new Date()); try { crawlerJinSeLivePressService.start(); } catch (Exception e) { // log.error("本次抓取金色财经新闻异常", e); } // log.info("结束抓取金色财经新闻, time:" + new Date()); } }
第三步：主要实现类
/** * 抓取金色财经快讯 * @author xub * @since 2018/6/29 */ @Slf4j @Service public class CrawlerJinSeLivePressServiceImpl extends AbstractCrawlLivePressService implements CrawlerJinSeLivePressService { //这个参数代表每一次请求获得多少个数据 private static final int PAGE_SIZE = 15; //这个是真正翻页参数，每一次找id比它小的15个数据（有写接口是通过page=1，2来进行翻页所以比较好理解一点，其实它们性质一样） private long bottomId; //这个这里没有用到，但是如果有数据层，就需要用到，这里我只是把它答应到控制台 @Autowired private LivePressService livePressService; //定时任务运行这个方法，doTask没有被重写，所有运行父类的方法 @Override public void start() { try { doTask(CoinPressConsts.CHAIN_FOR_LIVE_PRESS_DATA_URL_FORMAT); } catch (IOException e) { // log.error("抓取金色财经新闻异常", e); } } @Override protected List<PageListPress> crawlPage(int pageNum) throws IOException { // 最多抓取100页，多抓取也没有特别大的意思。 if (pageNum >= 100) { return Collections.emptyList(); } // 格式化翻页参数（第一次bottomId为0，第二次就是这次爬到的最小bottomId值） String requestUrl = String.format(CoinPressConsts.CHAIN_FOR_LIVE_PRESS_DATA_URL_FORMAT, PAGE_SIZE, bottomId);
Response response = OkHttp.singleton().newCall( new Request.Builder().url(requestUrl).addHeader("referer", CoinPressConsts.CHAIN_FOR_LIVE_URL).get().build()) .execute(); if (response.isRedirect()) { // 如果请求发生了跳转，说明请求不是原来的地址了，返回空数据。 return Collections.emptyList(); } //先获得json数据格式 String responseText = response.body().string(); //在通过工具类进行数据赋值 JinSePressResult jinSepressResult = JsonUtils.objectFromJson(responseText, JinSePressResult.class); if (null == jinSepressResult) { // 反序列化失败 System.out.println("抓取金色财经新闻列表反序列化异常"); return Collections.emptyList(); } // 取金色财经最小的记录id，来进行翻页 bottomId = jinSepressResult.getBottomId(); //这个是谷歌提供了guava包里的工具类，Lists这个集合工具，对list集合操作做了些优化提升。 List<PageListPress> pageListPresss = Lists.newArrayListWithExpectedSize(PAGE_SIZE); for (JinSePressResult.DayData dayData : jinSepressResult.getList()) { JinSePressData data = dayData.getExtra(); //新闻发布时间（时间戳格式）这里可以来判断只爬多久时间以内的新闻 long createTime = data.getPublishedAt() * 1000; Long timemill=System.currentTimeMillis(); // if (System.currentTimeMillis() - createTime > CoinPressConsts.MAX_CRAWLER_TIME) { // // 快讯过老了，放弃 // continue; // } SimpleDateFormat sdf=new SimpleDateFormat("yyyy-MM-dd HH:mm:ss"); String sd = sdf.format(new Date(createTime)); // 时间戳转换成时间 Date newsCreateTime=new Date(); try { //获得新闻发布时间 newsCreateTime = sdf.parse(sd); } catch (ParseException e) { e.printStackTrace(); } //具体文章页面路径（这里可以通过这个路径+jsoup就可以爬新闻正文所有信息了） String href = data.getTopicUrl(); //新闻摘要 String summary = data.getSummary(); //新闻阅读数量 String pressreadcount = data.getReadNumber(); //新闻标题 String title = dayData.getTitle(); pageListPresss.add(new PageListPress(href,title, Integer.parseInt(pressreadcount), newsCreateTime , summary)); } return pageListPresss; } }
AbstractCrawlLivePressService 类
public abstract class AbstractCrawlLivePressService { String url; public void doTask(String url) throws IOException { this.url = url; int pageNum = 1; //通过 while (true)会一直循环调取接口，直到数据为空或者时间过老跳出循环 while (true) { List<PageListPress> newsList = crawlPage(pageNum++); // 抓取不到新的内容本次抓取结束 if (CollectionUtils.isEmpty(newsList)) { break; } //这里并没有把数据放到数据库，而是直接从控制台输出 for (int i = newsList.size() - 1; i >= 0; i--) { PageListPress pageListNews = newsList.get(i); System.out.println(pageListNews.toString()); } } } //这个由具体实现类实现 protected abstract List<PageListPress> crawlPage(int pageNum) throws IOException; @Data @AllArgsConstructor @NoArgsConstructor public static class PageListPress { //新闻详情页面url private String href; //新闻标题 private String title; //新闻阅读数量 private int readCounts; //新闻发布时间 private Date createTime; //新闻摘要 private String summary; } }
JinSePressResult
/** *在创建对象的时候一定要分析好json格式的类型 *金色新闻的返回格式就是第一层有普通属性和一个list集合 *在list集合中又有普通属性和一个extra的对象。 */ @JsonIgnoreProperties(ignoreUnknown = true) @Data public class JinSePressResult { private int news; private int count; @JsonProperty("top_id") private long topId; @JsonProperty("bottom_id") private long bottomId; //list的名字也要和json数据的list名字一致，否则无用 private List<DayData> list; @Data @JsonIgnoreProperties(ignoreUnknown = true) public static class DayData { private String title; //这里对象的属性名extra也要和json的extra名字一致 private JinSePressData extra; @JsonProperty("topic_url") private String topicUrl; } }
这里需要注意两点
（1）在创建对象时一定要先搞清楚json格式类型是对象里含有集合，或者集合中还有对象等等。
（2） 你可以只定义你需要的属性字段，当你不能和json的属性名一致但类型不一致。比如上面你改成 List extra 这个时候序列化就会失败，因为json的extra明显是一个对象，而这边接受的确实一个集合。关键是属
性名一致 所以在赋值的时候就会报错，序列化失败。
第四步：看运行结果
这里只是截取控制台输出的部分信息，通过这种方式可以获得该网站的所有新闻信息。同时我们已经获得具体新闻的URL，那么我们就可以通过JSOup来获取该新闻的所有具体信息。（完美）
第五步：数据库去重思路
因为你不可能每一次爬取玩数据都直接放到数据库中，肯定要比较该条新闻数据库中是否已经存在，不存在才放到数据库中。思路如下：
（1）数据库表中添加一个能辨别该新闻唯一的属性字段，比如jinse+bottomId组成唯一属性，或者该新闻具体页面路径URI组成唯一属性。
（2）创建map<URL，Boolean>集合，通过URI看数据库是否存在，有就<URL，true>,没有<URL，flase>。
（3）在存储之前通过map.get（URI）如果为false则存储数据库中。
Git源码
首先说明下，源码本人是通过Idea测试运行通过，这里用了lombok，你需要现在idea或者eclipse配置Lombok。
源码地址：https://github.com/yudiandemingzi/panjiekou
想太多，做太少，中间的落差就是烦恼。想没有烦恼，要么别想，要么多做。中校【9】