Java实现爬取京东手机数据

Java实现爬取京东手机数据

最近看了某马的Java爬虫视频，看完后自己上手操作了下，基本达到了爬数据的要求，HTML页面源码也刚好复习了下，之前发布两篇关于简单爬虫的文章，也刚好用得上。项目没什么太难的地方，就是考验你对HTML源码的解析，层层解析，同标签选择器seletor进行元素筛选，再结合HttpCLient技术，成功把手机数据爬取下来。

一、项目Maven环境配置

1、配置SpringBoot

<parent>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-parent</artifactId>
    <version>2.0.2.RELEASE</version>
</parent>

2、pom文件配置相关Jar包

 <dependencies>
    <!--SpringMVC-->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>

    <!--SpringData Jpa-->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-data-jpa</artifactId>
    </dependency>

    <!--MySQL连接包-->
    <dependency>
        <groupId>mysql</groupId>
        <artifactId>mysql-connector-java</artifactId>
    </dependency>

    <!-- HttpClient -->
    <dependency>
        <groupId>org.apache.httpcomponents</groupId>
        <artifactId>httpclient</artifactId>
    </dependency>

    <!--Jsoup-->
    <dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>1.10.3</version>
    </dependency>

    <!--工具包-->
    <dependency>
        <groupId>org.apache.commons</groupId>
        <artifactId>commons-lang3</artifactId>
    </dependency>
</dependencies>

3、添加配置文件（放在resource文件夹）

#DB Configuration:
spring.datasource.driverClassName=com.mysql.jdbc.Driver
spring.datasource.url=jdbc:mysql://127.0.0.1:3306/crawler
spring.datasource.username=root
spring.datasource.password=root

#JPA Configuration:
spring.jpa.database=MySQL
spring.jpa.show-sql=true

二、相关类

POJO类

@Entity
@Table(name = "jd_item")
public class Item {
    //主键
    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long id;
    //标准产品单位（商品集合）
    private Long spu;
    //库存量单位（最小品类单元）
    private Long sku;
    //商品标题
    private String title;
    //商品价格
    private Double price;
    //商品图片
    private String pic;
    //商品详情地址
    private String url;
    //创建时间
    private Date created;
    //更新时间
    private Date updated;

	...	... 	//  省略getter/setter、toString() 方法
}

Dao接口

public interface ItemDao extends JpaRepository<Item,Long> 	{}

业务层

public interface ItemService {

//根据条件查询数据
public List<Item> findAll(Item item);

//保存数据
public void save(Item item);

}

---

@Service
public class ItemServiceImpl implements ItemService {

@Autowired
private ItemDao itemDao;

@Override
public List<Item> findAll(Item item) {
    Example example = Example.of(item);
    List list = this.itemDao.findAll(example);
    return list;
}

    @Override
    @Transactional
    public void save(Item item) {
        this.itemDao.save(item);
    }
}

HttpClientUtils工具类（用来建立和销毁HttpClient连接的连接池）

@Component
public class HttpUtils {

   private PoolingHttpClientConnectionManager cm;

    public HttpUtils() {
        this.cm = new PoolingHttpClientConnectionManager();

        //    设置最大连接数
        cm.setMaxTotal(100);
        //    设置每个主机的并发数
        cm.setDefaultMaxPerRoute(10);
    }

    /**
     * 根据请求地址下载页面数据
     * @param url
     * @return 页面数据
     */
    public String doGetHtml(String url) {
    
        // 获取HttpClient对象
        CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(cm).build();
        // 声明httpGet请求对象
        HttpGet httpGet = new HttpGet(url);
        // 设置请求参数RequestConfig
        httpGet.setConfig(this.getConfig());

        // 浏览器表示
        httpGet.addHeader("User-Agent", "Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) Version/11.0 Mobile/15A372 Safari/604.1");
        // 传输的类型
        httpGet.addHeader("Cookie","Cookie地址");  //Cookie地址是你搜索过后，开发者工具里面的request Header地址，这里太长了省略不写
        
		//	上述两行关于浏览的代码，是表示声明你是正常的方式访问该网页(可以理解为登录后正常访问)

		CloseableHttpResponse response = null;
        try {
            //  使用HttpClient发起请求，获取响应
            response = httpClient.execute(httpGet);
            //  解析响应，返回结果
            if (response.getStatusLine().getStatusCode()==200){
                //  判断响应Entity是否不为空，如果不为空就可以使用EntityUtils
                if (response.getEntity() !=null){
                    String content = EntityUtils.toString(response.getEntity(), "utf8");
                    return content;
                }
            }
        } catch (IOException e) {
            e.printStackTrace();
        } finally {
            try {
                if (response != null) {
                    // 关闭连接
                    response.close();
                }
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
        return null;
    }

    /**
     * 下载图片
     * @param url
     * @return  图片名称
     */
    public String doGetImage(String url){
        //  获取HttpClient对象
        CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(this.cm).build();
        //  设置hTTPGet请求对象，设置url地址
        HttpGet httpGet = new HttpGet(url);

        //  设置请求信息
        httpGet.setConfig(this.getConfig());
        
        CloseableHttpResponse response = null;

        try {
            //  使用HttpClient发起请求，获取响应
            response = httpClient.execute(httpGet);
            //  解析响应，返回结果
            if (response.getStatusLine().getStatusCode()==200){
                //  判断响应Entity是否不为空，如果不为空就可以使用EntityUtils
                if (response.getEntity()!=null){
                    //  下载图片
                    //  获取图片的后缀
                    String extName = url.substring(url.lastIndexOf("."));
                    //  创建图片名，并重命名图片
                    String picName = UUID.randomUUID().toString() + extName;
                    //  下载图片
                    //  声明 OutPutStream
                    OutputStream out = new FileOutputStream(new File("C:\\Users\\Desktop\\images\\"+picName));
                    response.getEntity().writeTo(out);
                    //  返回图片名称
                    return picName;
                }
            }
        } catch (IOException e) {
            e.printStackTrace();
        }finally {
            //  关闭response
            if(response != null){
                try{
                    response.close();
                }catch (IOException e){
                    e.printStackTrace();
                }
            }
        }
        //  如果下载失败，返回空字符串
        return "";
    }

    //获取请求参数对象
    private RequestConfig getConfig() {
        RequestConfig config = RequestConfig.custom()
        		.setConnectTimeout(1000)// 设置创建连接的超时时间
                .setConnectionRequestTimeout(500) // 设置获取连接的超时时间
                .setSocketTimeout(10000) // 设置连接的超时时间
                .build();

        return config;
    }
}

ItemTask 任务类

@Component
public class ItemTask {

@Autowired
private HttpUtils httpUtils;

@Autowired
private ItemService itemService;

private static final ObjectMapper MAPPER = new ObjectMapper();

    //  当下载任务完成后，间隔多长时间进行下一次的任务
    @Scheduled(fixedDelay =1000*1000 )
    public void itemTask() throws Exception{
       
       	//  声明需要解析的初始地址
        String url = "https://search.jd.com/Search?keyword=%E6%89%8B%E6%9C%BA&enc=utf-8" +
                    "&qrst=1&rt=1&stop=1&vt=2&wq=%E6%89%8B%E6%9C%BA&s=1&click=0&page=";

        //  遍历页面对手机的搜索进行遍历结果
        for (int i = 1; i < 10; i=i+2) {
            String html = this.httpUtils.doGetHtml(url+i);
            //  解析页面，获取商品数据并存储
            this.parse(html);
        }
        System.out.println("手机数据抓取完成！！！");
    }

    /**
     * 解析页面，获取商品数据并存储
     * @param html
     */
    private void parse(String html) throws Exception {
        //  解析HTML获取Document
        Document doc = Jsoup.parse(html);
        //  获取spu
        Elements spuEles = doc.select("div#J_goodsList > ul > li");
        //  遍历获取spu数据
        for (Element spuEle : spuEles) {
            //  获取spu
            long spu = Long.parseLong(spuEle.attr("data-spu"));
            //  获取sku信息
            Elements skuEles = spuEles.select("li.ps-item");
            for (Element skuEle : skuEles) {
                //  获取sku
                long sku = Long.parseLong(skuEle.select("[data-sku]").attr("data-sku")); 
                //  根据sku查询商品数据
                Item item = new Item();
                item.setSku(sku);
                List<Item> list = this.itemService.findAll(item);
                if (list.size()>0){
                    //如果商品存在，就进行下一个循环，该商品不保存，因为已存在
                    continue;
                }
                //  设置商品的spu
                item.setSpu(spu);

                //  获取商品的详情信息
                String itemUrl = "https://item.jd.com/"+sku+".html";
                item.setUrl(itemUrl);

                //  商品图片
                String picUrl = skuEle.select("img[data-sku]").first().attr("data-lazy-img");
                //	图片路径可能会为空的情况
                if(!StringUtils.isNotBlank(picUrl)){
                    picUrl =skuEle.select("img[data-sku]").first().attr("data-lazy-img-slave");
                }
                picUrl ="https:"+picUrl.replace("/n9/","/n1/");	//	替换图片格式
                String picName = this.httpUtils.doGetImage(picUrl);
                item.setPic(picName);

                //  商品价格
                String priceJson = this.httpUtils.doGetHtml("https://p.3.cn/prices/mgets?skuIds=J_" + sku);
                double price = MAPPER.readTree(priceJson).get(0).get("p").asDouble();
                item.setPrice(price);

                //  商品标题
                String itemInfo = this.httpUtils.doGetHtml(item.getUrl());
                String title = Jsoup.parse(itemInfo).select("#itemName").text();
                item.setTitle(title);

                //  商品创建时间
                item.setCreated(new Date());
                //  商品修改时间
                item.setUpdated(item.getCreated());
                
                //  保存商品数据到数据库中
                this.itemService.save(item);

            }
        }
    }

}

ItemTask 引导类

@SpringBootApplication
//设置开启定时任务
@EnableScheduling
public class Application {

    public static void main(String[] args) {
        SpringApplication.run(Application.class, args);
    }
}

结果展示：