文章目录

• 前言
  • 1.引入依赖：
  • 2.代码实战：
  • 3.代理说明：
• 总结

前言

现在一提到爬虫都是python，类库比较丰富，如果不会java的同学，去学习python爬虫比较靠谱，但是那是不是代表java就不能爬虫呢？肯定不是的，事实上一些场景下，java爬虫使用起来更方便，更好用。

1.引入依赖：

java当中爬虫使用的是jsoup的类库，jsoup提供了一套非常省力的api，可通过dom，css以及类似于jquery的操作方法来取出和操作数据，让你请求网页后可以对网页进行dom操作达到爬虫的目的。

 <dependency>
            <groupid>org.jsoup</groupid>
            <artifactid>jsoup</artifactid>
            <version>1.10.3</version>
        </dependency>

2.代码实战：

案例一：
爬虫股票的分析结果：

 stockshow stockshow = new stockshow();
        string dourl = string.format("url", stockcode);
        document doc = null;
        try {
            doc = jsoup.connect(dourl).get();
            elements stockname = doc.select("div[class=stockname]");
            elements stocktotal = doc.select("div[class=stocktotal]");
            elements shortstr = doc.select("li[class=short]");
            elements midstr = doc.select("li[class=mid]");
            elements longstr = doc.select("li[class=long]");
            elements stocktype = doc.select("div[class=value_bar]").select("span[class=cur]");
            stockshow.setstockname(stockname.get(0).text());
            stockshow.setstocktotal(stocktotal.get(0).text().split("：")[1]);
            stockshow.setshortstr(shortstr.get(0).text().split("：")[1]);
            stockshow.setmidstr(midstr.get(0).text().split("：")[1]);
            stockshow.setlongstr(longstr.get(0).text().split("：")[1]);
            stockshow.setstocktype(stocktype.get(0).text());
        } catch (ioexception e) {
            log.error("findstockanalysisbystockcode,{}",e.getmessage());
        }

案例2：
抓取学校的信息：

 campus campus = new campus();
        string dourl = string.format(url, campusid);
        document doc = null;
        if (stringutils.isempty(arg.getip())){
            arg.setip("transfer.moguproxy.com");
            arg.setport(9001);
        }
        try {
            httpsutil.trusteveryone();
            random r = new random();
            int random = r.nextint(48);
            connection conn = jsoup.connect(dourl).proxy(arg.getip(), arg.getport());//.timeout(10000)
            conn .header("proxy-authorization", "basic "+"v1vxb2syu29mbujwtvy2rjpmthn5tdm0c3byqlfrm3hw").useragent(ua[random]).timeout(30000);
            doc = conn.get();
            elements names = doc.select("a[class=btn btn-xs btn-primary]");
            elements type = doc.select("a[class=campus_type_fix_b link_now_active]");
//            doc.select("ol[class=breadcrumb]").select("li").get(4).text()
            elements campusname = doc.select("ol[class=breadcrumb]").select("li");
            elements addressandtel = doc.select("div[class=page-header]").select("p");

3.代理说明：

案例一里面并没有使用代理ip，可以直接抓取。但是通常情况下，我们抓取的网站会设置反爬虫，封ip等，所以我们要设置代理ip，上线的案例2中使用的是蘑菇代理的代理隧道进行的代理设置，用起来还不错，如果确实需要可以进行购买。

总结

当然我上面写的2个案例只是举例子，其实dom的操作还有很多种的方法，大家如果想要进行爬虫，dom的基本操作肯定是需要的，一些基本的html知识是需要的。如果你想跟我有更多的交流，关注我的公众号：java时间屋 进行交流。