前言

考虑到这里有很多人没有接触过Java网络爬虫，所以我会从很基础的Jsoup分析HttpClient获取的网页讲起。了解这些东西可以直接看后面的“正式进入案例”，跳过前面这些基础。我导入的是“Excel转换工具XXL-EXCEL”这个开源项目然后在这个基础上写的这个Demo(下面会详细分析).看了这篇文章还有问题，记得给我留言我会尽力帮你解决。如果文章哪里有问题或者需要改进，也请留言告诉我，共同进步。

项目分析

几天前用HttpClien+Jsoup把网易云音乐的民谣抓取下来，可惜显示效果是下面这样的：



想着如果能像前几天用开源的爬虫爬取知乎后然后导入Excel简单分析也好一点，如下图（下图只是简单的对导入进去的一个人的关注者做了一个排序）：



通过查阅文档知道Apache下有一个专门操作office各种文档的API：POI，用这个API的话操作起来原理也很简单，但是很麻烦需要写很多代码，而且条理也不是很清楚。所以去Github上找了找有没有更方便的方法，Github有很多关于这方面的开源项目，经过各种尝试，最终选择了：《Java对象和Excel转换工具XXL-EXCEL》，通过这个框架可以灵活的进行Java对象和Excel文档相互转换。

然后最终就是下面这个效果：

案例基础

①Jsoup解析网页分析

Maven依赖：

        <!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->

        <dependency>

            <groupId>org.jsoup</groupId>

            <artifactId>jsoup</artifactId>

            <version>1.7.2</version>

        </dependency>

请求网页和解析网页，我们都以推酷网：https://www.tuicool.com/为例子。

先看一个实例(本实例获取的是推酷网首页的热门文章的信息)：

package news;

import java.io.IOException;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.nodes.Element;

import org.jsoup.select.Elements;

public class TuicoolHotArticles {

    public static void main(String[] args) throws IOException {

        // TODO Auto-generated method stub

        String url = "https://www.tuicool.com/";

        Document document = Jsoup.connect(url)

                .userAgent("Mozilla/5.0 (Windows NT 6.1; rv:30.0) Gecko/20100101 Firefox/30.0").get();

        // #id: 通过ID查找元素，比如：#logo

        Elements items = document.select(".list_article_item ");

        System.out.println(items.size());

        for (Element item : items) {

            // 标题。（类名title下的 a标签的title属性获取）

            String title = item.select(".title a").attr("title");

            // 标题图片地址（类名article_thumb_image下的 img标签的src属性获取）

            String picture_href = item.select(".article_thumb_image img").attr("src");

            // 时间 。(类名tip下的最后一个span标签的文字获取)

            String date = item.select(".tip span").last().text();

            // 作者 。(类名tip下的第一个span标签的文字获取)

            String author = item.select(".tip span").first().text();

            System.out.println("标题：               " + title);

            System.out.println("标题图片地址：" + picture_href);

            System.out.println("发布日期           " + date);

            System.out.println("作者                  " + author);

            System.out.println();

            System.out.println();

        }

    }

}

实例结果：



实例分析：

1. 网页元素分析

元素位置->右键->查看元素(Inspent Element)



2. Jsoup解析

通过元素分析我们即可获取所在div类名以及元素的其他属性，通过这些属性我们即可获取该元素。上面代码我已经给你详细的注释，如果还有问题可以留言给我。

如果想了解更详细的Jsoup操作请查看 jsoup中文文档。

②HttpClient请求网页分析

Maven依赖：

        <!-- httpclient -->

        <dependency>

            <groupId>org.apache.httpcomponents</groupId>

            <artifactId>httpclient</artifactId>

            <version>4.5.4</version>

        </dependency>

下面是一个获取推酷首页源代码的例子：

package www.java1234.com.httpclientDemo2;

import java.io.IOException;

import org.apache.http.HttpEntity;

import org.apache.http.client.ClientProtocolException;

import org.apache.http.client.methods.CloseableHttpResponse;

import org.apache.http.client.methods.HttpGet;

import org.apache.http.impl.client.CloseableHttpClient;

import org.apache.http.impl.client.HttpClients;

import org.apache.http.util.EntityUtils;

/**

 * TODO 在www.java1234.com.httpclientDemo.HelloWorld2我们获取推酷网热门文章

 * 我们这里通过模拟浏览器的方法来重新获取

 *

 * @date 2017年12月16日

 */

public class GetTuicoolHotArticles {

    public static void main(String[] args) throws ClientProtocolException, IOException {

        // TODO Auto-generated method stub

        CloseableHttpClient httpClient = HttpClients.createDefault(); // 创建httpClient实例

        HttpGet httpGet = new HttpGet("https://www.tuicool.com/"); // 创建httpget实例

        // 设置请求头信息Uer-Agent模拟浏览器

        httpGet.setHeader("User-Agent",

                "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:58.0) Gecko/20100101 Firefox/58.0");

        CloseableHttpResponse response = httpClient.execute(httpGet); // 执行httpget请求

        // 获取响应状态

        //System.out.println("响应状态为：" + response.getStatusLine());

        HttpEntity entity = response.getEntity(); // 获取返回实体

         System.out.println("网页内容：" + EntityUtils.toString(entity, "utf-8"));

        // 获取响应内容类型Content-Type

        // System.out.println("content-type:" + entity.getContentType());

        response.close(); // response关闭

        httpClient.close(); // httpClient关闭

    }

}

这个例子有一点需要说明的是因为推酷网设置了简单的反爬所以我们这里必须设置请求头信息Uer-Agent模拟浏览器访问，代码已经注释。

如果想深入学习HttpClient，请查看HttpClient官网。

③Maven的简单使用

网上有很多这面的教程，而且Maven这个工具真的很实用，不会的可以在网上找一找教程。再不会留言找我，我教，��嘿嘿。

正式进入本案例

完整源码下载：https://github.com/Snailclimb/Spider

XXL-EXCEL的Maven依赖

<!-- http://repo1.maven.org/maven2/com/xuxueli/xxl-excel-core/ -->

<dependency>

    <groupId>com.xuxueli</groupId>

    <artifactId>xxl-excel</artifactId>

    <version>1.0.0</version>

</dependency>

我一共新建了三个类：



Wangyiyun.java：网易云音乐实体类。

WangyiyunMinyao.java：网易云音乐工具类，用于获取存放歌曲对象打得Arraylist集合。

TestWangyiyun.java：测试类，测试获取网易云音乐民谣信息并且输出到Excel中。

因为一次抓取的是一个页面，所以抓取到控制台有输出，速度可能有点慢。

Wangyiyun.java

package com.xuxueli.poi.excel.test.model;

import org.apache.poi.hssf.util.HSSFColor;

import com.xuxueli.poi.excel.annotation.ExcelField;

import com.xuxueli.poi.excel.annotation.ExcelSheet;

@ExcelSheet(name = "网易云音乐民谣分析", headColor = HSSFColor.HSSFColorPredefined.LIGHT_GREEN)

public class Wangyiyun {

    @ExcelField(name = "歌曲介绍")

    private String description;

    @ExcelField(name = "歌曲链接地址")

    private String href;

    @ExcelField(name = "歌曲播放次数")

    private int playNums;

    public Wangyiyun() {

    }

    public Wangyiyun(String description, String href, int playNums) {

        this.description = description;

        this.href = href;

        this.playNums = playNums;

    }

    public String getDescription() {

        return description;

    }

    public void setDescription(String description) {

        this.description = description;

    }

    public String getHref() {

        return href;

    }

    public void setHref(String href) {

        this.href = href;

    }

    public int getPlayNums() {

        return playNums;

    }

    public void setPlayNums(int playNums) {

        this.playNums = playNums;

    }

    @Override

    public String toString() {

        return "Wangyiyun [歌曲介绍=" + description + ", 歌曲链接地址=" + href + ", 歌曲播放次数=" + playNums + "]";

    }

}

WangyiyunMinyao.java

package utils;

import java.io.BufferedReader;

import java.io.IOException;

import java.io.InputStream;

import java.io.InputStreamReader;

import java.util.ArrayList;

import org.apache.http.HttpEntity;

import org.apache.http.HttpResponse;

import org.apache.http.client.ClientProtocolException;

import org.apache.http.client.methods.HttpGet;

import org.apache.http.impl.client.CloseableHttpClient;

import org.apache.http.impl.client.HttpClients;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.nodes.Element;

import org.jsoup.select.Elements;

import com.xuxueli.poi.excel.test.model.Wangyiyun;

/**

 * TODO 该类用于获取保存在Arraylist中的歌曲对象

 * @date 2017年12月21日

 */

public class WangyiyunMinyao {

    /**

     * 该方法爬取了歌曲标题和链接地址并且调用了GetTheNumberOfPlays()方法用于获取歌曲链接地址页面的详细播放次数

     *

     * @param url_str

     * @param charset

     * @throws ClientProtocolException

     * @throws IOException

     */

    public static ArrayList<Wangyiyun> Crawl(String url_str, String charset)

            throws ClientProtocolException, IOException {

        // 获取

        CloseableHttpClient hc=HttpClients.createDefault();

        //HttpClient hc = new DefaultHttpClient();

        HttpGet hg = new HttpGet(url_str);

        HttpResponse response = hc.execute(hg);

        HttpEntity entity = response.getEntity();

        InputStream htm_in = null;

        ArrayList<Wangyiyun> arrayList = new ArrayList<>();

        if (entity != null) {

            htm_in = entity.getContent();

            String htm_str = InputStream2String(htm_in, charset);

            Document doc = Jsoup.parse(htm_str);

            Elements links = doc.select("div[class=g-bd]").select("div[class=g-wrap p-pl f-pr]")

                    .select("ul[class=m-cvrlst f-cb]").select("div[class=u-cover u-cover-1");

            for (Element link : links) {

                Elements lin = link.select("a");

                // 歌曲描述

                String description = lin.attr("title");

                // 歌曲链接地址

                String href = lin.attr("href");

                href = "http://music.163.com" + href;

                /*

                 * System.out.print(re_title + "       ");

                 * System.out.print(re_url + "       "); int nums =

                 * GetTheNumberOfPlays(re_url, charset);

                 */

                int nums =GetTheNumberOfPlays(href, charset);

                Wangyiyun wangyiyun = new Wangyiyun(description, href, nums);

                arrayList.add(wangyiyun);

            }

        }

        return arrayList;

    }

    /**

     * 该方法爬取歌曲链接地址页面的播放次数

     *

     * @param url_str

     * @param charset

     * @throws ClientProtocolException

     * @throws IOExceptionGet

     *             the number of plays

     */

    public static int GetTheNumberOfPlays(String url_str, String charset) throws ClientProtocolException, IOException {

        CloseableHttpClient hc=HttpClients.createDefault();

        HttpGet hg = new HttpGet(url_str);

        HttpResponse response = hc.execute(hg);

        HttpEntity entity = response.getEntity();

        InputStream htm_in = null;

        int nums = 0;

        if (entity != null) {

            htm_in = entity.getContent();

            String htm_str = InputStream2String(htm_in, charset);

            Document doc = Jsoup.parse(htm_str);

            String links = doc.select("div[class=u-title u-title-1 f-cb]").select("div[class=more s-fc3]")

                    .select("strong").text();

            nums = Integer.parseInt(links);

        }

        return nums;

    }

    /*

     * public static void saveHtml(String filepath, String str) {

     *

     * try { OutputStreamWriter outs = new OutputStreamWriter(new

     * FileOutputStream(filepath, true), "utf-8");

     * outs.write("http://www.dailystrength.org" + str + "\r\n"); outs.close();

     * } catch (IOException e) { System.out.println("Error at save html...");

     * System.out.println(str); e.printStackTrace(); } }

     */

    public static String InputStream2String(InputStream in_st, String charset) throws IOException {

        BufferedReader buff = new BufferedReader(new InputStreamReader(in_st, charset));

        StringBuffer res = new StringBuffer();

        String line = "";

        while ((line = buff.readLine()) != null) {

            res.append(line);

        }

        return res.toString();

    }

}

TestWangyiyun.java

package com.xuxueli.poi.excel.test;

import java.io.IOException;

import java.util.ArrayList;

import org.apache.http.client.ClientProtocolException;

import com.xuxueli.poi.excel.ExcelExportUtil;

import com.xuxueli.poi.excel.test.model.Wangyiyun;

import utils.WangyiyunMinyao;

public class TestWangyiyun {

    public static void main(String[] args) throws ClientProtocolException, IOException {

        int page = 0;

        // 这里只爬取了3页数据

        ArrayList<Wangyiyun> wangyiyunArraylist=new ArrayList<>();

        for (int i = 0; i < 3; i++) {

            // 爬取

            String url_str = "http://music.163.com/discover/playlist/?order=hot&cat=民谣&limit=35&offset=" + page;

            ArrayList<Wangyiyun> arrayList = WangyiyunMinyao.Crawl(url_str, "utf-8");

            wangyiyunArraylist.addAll(arrayList);

            for (Wangyiyun wangyiyun : arrayList) {

                System.out.println(wangyiyun);

            }

            /**

             * Excel导出：Object 转换为 Excel

             */

            // page参数加35（这个35是分析民谣栏）

            page = page + 35;

        }

        String filePath = "wangyiyun.xls";

        ExcelExportUtil.exportToFile(filePath, wangyiyunArraylist, wangyiyunArraylist);

    }

}

容易出现的错误

导入Maven依赖或者导入我的Maven项目后项目上会有感叹号，这种情况应该是Jar包下载出错。（笔主在这里卡了很长时间）

解决办法：



查看错误->找到出错的Jar->找到对应jar包存放位置->删除该jar包->去官网自己下载。

补充

刚才知道大家可能因为jar包下载错误或者各种问题有问题。

下面是我的项目的效果图。目前已经更新到Github。实在还有问题的可以把我的项目拷贝下来看看。

完整源码下载：https://github.com/Snailclimb/Spider（包含导入Excel的工具源码）

最新文章

  1. python 爬虫（二）
  2. 通过inflate获取布局，设置layoutparams无效
  3. 利用avalon 实现一个简单的成绩单
  4. MySQL Cluster配置概述
  5. 阻塞与非阻塞的IO网络读写
  6. 在WP8项目中使用ARMASM
  7. POJ 3393 Lucky and Good Months by Gregorian Calendar
  8. java关键字 (jdk6),各自的含义是什么？
  9. Android 瘦身攻略
  10. 2014/4月金山WPS笔试
  11. IT技术网站汇总
  12. 将泛类型集合List类转换成DataTable
  13. [BZOJ4542] [Hnoi2016] 大数 (莫队)
  14. Python学习笔记 - 迭代器Iterator
  15. 树&amp;图 记录
  16. Linux拷贝U盘文件（命令行）
  17. PAT Basic 1006
  18. PHP 验证IP的合法性
  19. 如何确定一个NFS的mount是v3还是v4？
  20. php中实现记住密码下次自动登录的例子

热门文章

  1. 网众远程修改ip、dns
  2. svmtrain输入参数介绍【转】
  3. Activiti5工作流笔记四
  4. BZOJ 1491 社交网络(最短路)
  5. BZOJ 1040 骑士(环套树DP)
  6. Windows7上安装Git
  7. hadoop 使用Avro排序
  8. CentOS 压缩（打包）和解压
  9. Oracle 获取数据最新版本
  10. BZOJ2178：圆的面积并——题解