爬蟲概念 請求方式 jsoup 分析思路 原理

爬蟲基礎篇

常識介紹

• 目前爬蟲這項技術比如java C++ python PHP都可以支持爬蟲，目前支持最好的是python，用到的框架就是scrapy對於靜態頁面，動態頁面的話就可以用selenium。中間複雜一些就會涉及到登陸 驗證碼，動態渲染，IP問題，加密，app內部抓取等，獲取到的數據主要用於大數據的分析，搜索技術上， 目前我也只是瞭解初級 簡單一些。

爬蟲原理

• 簡單原理

  • 指定一個URL
  • 發送Http請求
  • 接受響應
  • 解析標籤提取數據

• 技術點主要是3個

  • 第一個 ： 網絡請求框架 Socket—> HttpURLConnection->HttpClient–>hc flunt 依次進行封裝
  • 第二個 ： 將HTML二進制文件 轉化爲文本 –JSOUP
  • 第三個 ： 線程池 隊列 優化技術

模擬瀏覽器網絡請求

• *
  InputStream inputStream = c*1. 請求百度HttpURLConnection 來源於jdk自帶**

  `

  public static void main(String[] args) throws Exception {
  
  String urlstr = "http://www.baidu.com";
  URL url = new URL(urlstr);
  
  HttpURLConnection connection =  (HttpURLConnection) url.openConnection();
  connection.setRequestMethod("GET"); //請求方式要大寫
  connection.setDoOutput(true);
  //發送請求
  OutputStream outputStream = connection.getOutputStream();
  outputStream.write("username=zhangsan&password=123".getBytes("UTF-8"));
  outputStream.flush();
  outputStream.close();
  
  //接受請求onnection.getInputStream();
  BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(inputStream));
  String line = null;
  while((line=bufferedReader.readLine())!=null) {
      System.out.println(line);
  }   
  inputStream.close();
  }` 
  

• 2. 鏈式編程 flunt-HC

  ` String html = Request.Get(“http://www.baidu.com“).execute().returnContent().asString(Charset.forName(“utf-8”));
  System.out.println(html);

      Request.Post("http://targethost/login")
              .bodyForm(Form.form().add("username", "vip").add("password", "secret").build()).execute()
              .returnContent();`  
  

• 3. HttpClient

  CloseableHttpClient createDefault = HttpClients.createDefault();
  HttpPost httpPost = new HttpPost("http://www.baidu.com");
  
  //參數拼接
  ArrayList<BasicNameValuePair> arrayList = new ArrayList<BasicNameValuePair>();
  
  arrayList.add(new BasicNameValuePair("admin", "admin"));
  arrayList.add(new BasicNameValuePair("admin", "admin"));
  
  httpPost.setEntity(new UrlEncodedFormEntity(arrayList));
  
  CloseableHttpResponse execute = createDefault.execute(httpPost);
  String code = EntityUtils.toString(execute.getEntity(), Charset.forName("utf-8"));
  

• Http狀態碼

  http協議狀態碼
  200 302 304 404 500

  1. 1xx 創建
  2. 2xx 成功
  3. 3xx 重定向
  4. 4xx 客戶端錯誤
  5. 5xx 服務器錯誤

解析爬蟲爬取回來的數據

• 解析HTML主要是用Jsoup，它一款專門用來解析HTML標籤的解析器，內部封裝了API

Select方法將返回一個Elements集合，並提供一組方法來抽取和處理結果。

• Selector選擇器概述
  
  • tagname: 通過標籤查找元素，比如：a
  • ns|tag: 通過標籤在命名空間查找元素，比如：可以用 fb|name 語法來查找 元素
  • id: 通過ID查找元素，比如：#logo
  • class: 通過class名稱查找元素，比如：.masthead
  • [attribute]: 利用屬性查找元素，比如：[href]
    
    • [^attr]: 利用屬性名前綴來查找元素，比如：可以用[^data-] 來查找帶有HTML5 Dataset屬性的元素
    • [attr=value]: 利用屬性值來查找元素，比如：[width=500]
    • [attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素，比如：[href*=/path/]
    • [attr~=regex]: 利用屬性值匹配正則表達式來查找元素，比如： img[src~=(?i).(png|jpe?g)]
  • *: 這個符號將匹配所有元素
• Seector選擇器組合使用
  
  • el#id: 元素+ID，比如： div#logo
  • el.class: 元素+class，比如： div.masthead
  • el[attr]: 元素+class，比如： a[href]
  • 任意組合，比如：a[href].highlight
  • ancestor child: 查找某個元素下子元素，比如：可以用.body p 查找在”body”元素下的所有 p元素
  • parent > child: 查找某個父元素下的直接子元素，比如：可以用div.content > p 查找 p 元素，也可以用body > * 查找body標籤下所有直接子元素
  • siblingA + siblingB: 查找在A元素之前第一個同級元素B，比如：div.head + div
  • siblingA ~ siblingX: 查找A元素之前的同級X元素，比如：h1 ~ p
  • el, el, el:多個選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo
• 僞選器selectors
  
  • :lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對於它的父節點）小於n，比如：td:lt(3) 表示小於三列的元素
  • :gt(n):查找哪些元素的同級索引值大於n，比如： div p:gt(2)表示哪些div中有包含2個以上的p元素
  • :eq(n): 查找哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個input標籤的Form元素
  • :has(seletor): 查找匹配選擇器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
  • :not(selector): 查找與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
  • :contains(text): 查找包含給定文本的元素，搜索不區分大不寫，比如： p:contains(jsoup)
  • :containsOwn(text): 查找直接包含給定文本的元素
  • :matches(regex): 查找哪些元素的文本匹配指定的正則表達式，比如：div:matches((?i)login)
  • :matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素
  • 注意：上述僞選擇器索引是從0開始的，也就是說第一個元素索引值爲0，第二個元素index爲1等

Jsoup的maven依賴

```java
<dependency>
  <!-- jsoup HTML parser library @ https://jsoup.org/ -->
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.10.3</version>
</dependency>
```