互联网上有很多有用的信息。我们如何自动获取这些信息？-是的，网络爬虫。
这篇文章展示了如何使用Java制作简单的Web爬网程序原型。制作Web搜寻器并不像听起来那样困难。只需按照指南进行操作，您将在1小时或更短的时间内迅速到达该地点，然后享受它可以为您提供的大量信息。由于这只是一个原型，因此您需要花费更多时间来根据需要自定义它。
以下是本教程的先决条件：
基本Java程式设计
关于SQL和MySQL数据库的一些知识。
如果您不想使用数据库，则可以使用文件来跟踪爬网历史记录。
1.目标
在本教程中，目标如下：
给定学校根URL，例如“ mit.edu”，返回包含该学校字符串“ research”的所有页面
典型的搜寻器按以下步骤工作：
1.解析根网页（“ mit.edu”），并从该页面获取所有链接。要访问每个URL并解析HTML页面，我将使用JSoup，它是用Java编写的便捷的网页解析器。
2.使用从步骤1检索到的URL，并解析这些URL
3.执行上述步骤时，我们需要跟踪之前已处理过的页面，因此每个网页仅被处理一次。这就是我们需要数据库的原因。
2.设置MySQL数据库
如果您使用的是Ubuntu，则可以按照本指南安装Apache，MySQL，PHP和phpMyAdmin。
如果使用Windows，则只需使用WampServer。您可以简单地从wampserver.com下载它，并在一分钟内安装它，可以继续进行下一步。
我将使用phpMyAdmin来操作MySQL数据库。它只是使用MySQL的GUI界面。如果您使用任何其他工具或不使用GUI工具，那都很好。
3.创建一个数据库和一个表
创建一个名为“ Crawler”的数据库，并创建一个名为“ Record”的表，如下所示：
CREATE TABLE IF NOT EXISTS Record (
RecordID INT(11) NOT NULL AUTO_INCREMENT,
URL text NOT NULL,
PRIMARY KEY (RecordID)) ENGINE=InnoDB DEFAULT CHARSET=utf8 AUTO_INCREMENT=1 ;
4.开始使用Java进行爬网
1）下载JSoup核心库。
2）现在，在Jsoup中创建一个名为“ Crawler”的项目，并将您下载的JSoup和mysql-connector jar文件添加到Java Build Path。（右键单击项目->选择“构建路径”->“配置构建路径”->单击“库”选项卡->单击“添加外部JAR”）
3）创建一个名为“ DB”的类，该类用于处理数据库操作。
import java.sql.Connection;import java.sql.DriverManager;import java.sql.ResultSet;import java.sql.SQLException;import java.sql.Statement;
public class DB {
public Connection conn = null;
public DB() {
try {
Class.forName("com.mysql.jdbc.Driver");
String url = "jdbc:mysql://localhost:3306/Crawler";
conn = DriverManager.getConnection(url, "root", "admin213");
System.out.println("conn built");
} catch (SQLException e) {
e.printStackTrace();
} catch (ClassNotFoundException e) {
e.printStackTrace();
}
}
public ResultSet runSql(String sql) throws SQLException {
Statement sta = conn.createStatement();
return sta.executeQuery(sql);
}
public boolean runSql2(String sql) throws SQLException {
Statement sta = conn.createStatement();
return sta.execute(sql);
}
@Override
protected void finalize() throws Throwable {
if (conn != null || !conn.isClosed()) {
conn.close();
}
}}
4）创建一个名称为“ Main”的类，它将作为我们的搜寻器。
import java.io.IOException;import java.sql.PreparedStatement;import java.sql.ResultSet;import java.sql.SQLException;import java.sql.Statement;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;
public class Main {
public static DB db = new DB();
public static void main(String[] args) throws SQLException, IOException {
db.runSql2("TRUNCATE Record;");
processPage("http://www.mit.edu");
}
public static void processPage(String URL) throws SQLException, IOException{
//check if the given URL is already in database
String sql = "select * from Record where URL = '"+URL+"'";
ResultSet rs = db.runSql(sql);
if(rs.next()){
}else{
//store the URL to database to avoid parsing again
sql = "INSERT INTO `Crawler`.`Record` " + "(`URL`) VALUES " + "(?);";
PreparedStatement stmt = db.conn.prepareStatement(sql, Statement.RETURN_GENERATED_KEYS);
stmt.setString(1, URL);
stmt.execute();
//get useful information
Document doc = Jsoup.connect("http://www.mit.edu/").get();
if(doc.text().contains("research")){
System.out.println(URL);
}
//get all links and recursively call the processPage method
Elements questions = doc.select("a[href]");
for(Element link: questions){
if(link.attr("href").contains("mit.edu"))
processPage(link.attr("abs:href"));
}
}
}}
最后，开发这么多年我也总结了一套学习Java的资料与面试题，如果你在技术上面想提升自己的话，可以关注我，私信发送领取资料或者在评论区留下自己的联系方式，有时间记得帮我点下转发让跟多的人看到哦。
