讓我們先看看施華洛世奇網站界面http://www.swarovski-crystallized.com/吧,這個頁面離我們需要抓去頁面有4層菜單,也就是需要點擊四次纔到達我們的目標頁面。這個頁面有5個菜單,每個菜單需要深入4層菜單。我們簡稱爲CatchMenu1;經測試,4個線程同時抓去需要5個多小時分析
第二層菜單界面,注意這個頁面下面還有分頁一頁一頁的,我們簡稱爲CatchMenu2
第三層菜單界面,我們簡稱爲CatchMenu3,注意這個頁面下面還有分頁哦:
終於到達我們的目標頁面了:
好了,需求就是這麼簡單,開工吧。
1.建立一個菜單模型類:
public class CatchMenuDO implements Serializable
{
private Long id;
private Long parentId;//該菜單的父菜單ID
private String name; //該菜單名稱
private String name_url; //菜單對應的頁面
private Integer level; //第幾層菜單,1表示第一層,2表示第二層,依次類推
private Date gmCreate;
private Date gmModify;
private Boolean fetched=false; //是否已經抓去分析了
private Boolean isLastChild=false; //是否是最小葉菜單,即最後一層的菜單
private String parentName;//父菜單名稱
...................................................................................////////////省略
.....................................................................................
}
2.建立連接數據庫獲取保存菜單以及產品信息DAO類:
public class SwaroSkiDAOImpl extends SqlMapClientDaoSupport implements SwaroSkiDAO
{
public int addProduct(Product product)
{
getSqlMapClientTemplate().insert("SwaroSkiDAO.addProduct", product);
return 1;
}
public Long addProductColor(ProductColor color)
{
Long result= (Long) getSqlMapClientTemplate().insert("SwaroSkiDAO.addProductColor", color);
return result;
}
public Long addProductImageSwf(ProductImageSwf imageswf)
{
Long result= (Long) getSqlMapClientTemplate().insert("SwaroSkiDAO.addProductImageSwf", imageswf);
return result;
}
public Long addProductSize(ProductSize size)
{
Long result= (Long) getSqlMapClientTemplate().insert("SwaroSkiDAO.addProductSize", size);
return result;
}
public List<CatchMenuDO> getCatchMenuList(CatchMenuQueryModel menuModel)
{
List<CatchMenuDO> list= (List<CatchMenuDO>)getSqlMapClientTemplate().queryForList("SwaroSkiDAO.getCatchMenu", menuModel);
return list;
}
}
3.數據庫SQL:
<select id="SwaroSkiDAO.getCatchMenu" resultMap="CatchMenuDO" parameterClass="xxxx.xxxx.xxxx.CatchMenuQueryModel">
//這個sql的意思就是獲取指定層,指定父類菜單下面所有子菜單
SELECT ID, parent_ID, name, name_url,
menu_level, gm_create,gm_modify,fetched,
is_last_child,parent_name
FROM page_catch_menu
where 1=1
<isNotNull property="level" prepend=" and ">
menu_level =#level#
</isNotNull>
<isNotNull property="parentIdList" prepend=" and ">
parent_ID IN
<iterate property="parentIdList" open="(" close=")" conjunction=",">
#parentIdList[]#
</iterate>
</isNotNull>
</select>
5.終於開始正式開工了:
public class CatchManagerImpl implements ICatchManager
{
private SwaroSkiDAO swaroSkiDAO;//訪問數據庫的
private static final transient Log log = LogFactory .getLog(CatchManagerImpl.class);
private static ExecutorService pools = Executors.newFixedThreadPool(5);//線程池
private Semaphore sem=new Semaphore(5);//同步信號,多線程開工
public void catchPages()
{
//這個sql的意思就是獲取指定層,指定父類菜單下面所有子菜單
CatchMenuQueryModel menu = new CatchMenuQueryModel();
menu.setFetched(false);
List<Long> parentIdList=new ArrayList<Long>();
parentIdList.add(1L);
parentIdList.add(2L);
menu.setLevel(2);
List<CatchMenuDO> menus = swaroSkiDAO.getCatchMenuList(menu);
//使用htmlunit去抓去,模擬火狐瀏覽器並禁止js,activex組建運行,強啊,htmlunit還可以運行js和activex組建.不愧號稱java 語言的瀏覽器啊
WebClient webClient = new WebClient(BrowserVersion.FIREFOX_3);
webClient.setJavaScriptEnabled(false);
webClient.setActiveXNative(false);
List<String> secondPageUrls = new ArrayList<String>();
List<String> thirdPageUrls = new ArrayList<String>();
log.error("第一層抓取開始..........");
if (menus != null && menus.size() > 0)
{
for (CatchMenuDO mn : menus)
{
String url = "http://www.swarovski-crystallized.com/jewelry/us/";
url = url + mn.getParentName() + mn.getName_url();
HtmlPage mainPage = null;
log.error("開始抓取第一層頁面:"+url);
try
{
mainPage = webClient.getPage(url);
} catch (Exception e)
{