访问http://m.ady01.com/rs/film/list/1/1，F12开发者模式中找到页面数据来源地址
抓取列表信息
使用git拉取代码： gitee.com/likun_557/j… 这个代码是在第一讲中创建的，需要了解的朋友可以查看第一讲的内容"《java爬虫系列第一讲-爬虫入门》"
哦对了，在分享这篇文字前，我先说一下，我这里有一份Java学习资料，直接加我的Java直播学习群：1004944760就能免费领取，长期真实有效。
将代码导入idea中
新建包 com.ady01.demo2.filmlist ，本次示例代码全部放在该包中
列表页面数据来源http://m.ady01.com/rs/film/listJson/1/1，是一个json数据
根据http://m.ady01.com/rs/film/listJson/1/1中的数据格式，我们先分析一下
最外层是一个分页的类
dataList是一个集合，内部每项是一个电影资源的信息
创建 com.ady01.demo2.filmlist.PageModel 类，用于保存分页电影信息
packagecom.ady01.demo2.filmlist;importlombok.*;importjava.io.Serializable;importjava.util.List;/**
* <b>description</b>：分页对象 <br>
* <b>time</b>：2019-04-21 13:46 <br>
* <b>author</b>： 微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！
*/@Getter@Setter@NoArgsConstructor@ToStringpublicclassPageModelimplementsSerializable {privatestaticfinallongserialVersionUID =1L;/**
* 每页显示数量
*/privatelongpageSize;/**
* 当前页行的开始行的索引，如1,2,3....
*/privatelongstartIndex;/**
* 当前页行的结束索引
*/privatelongendIndex;/**
* 当前页
*/privatelongcurrentPage;/**
* 上一页索引
*/privatelongprePage;/**
* 下一页索引
*/privatelongnextPage;/**
* 总记录数
*/privatelongcount;/**
* 是否有上一页
*/privatebooleanhasPrePage;/**
* 是否有下一页
*/privatebooleanhasNextPage;/**
* 总页数
*/privatelongpageCount;/**
* 数据集合
*/privateList dataList;}复制代码
创建 com.ady01.demo2.filmlist.FilmModel 类，用于保存电影信息
packagecom.ady01.demo2.filmlist;importlombok.Getter;importlombok.NoArgsConstructor;importlombok.Setter;importlombok.ToString;importjava.io.Serializable;importjava.util.Map;/**
* <b>description</b>：电影信息 <br>
* <b>time</b>：2019/4/21 12:35 <br>
* <b>author</b>：微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！
*/@Setter@Getter@NoArgsConstructor@ToStringpublicclassFilmModelimplementsSerializable{privatestaticfinallongserialVersionUID =1L;/**
* 编号
*/privatejava.lang.Longid;/**
* 片名，完整名称，不包含无关文字
*/privatejava.lang.String name;/**
* 片名全拼音(小写)，如英雄：yingxiong
*/privatejava.lang.String full_spell;/**
* 片名简拼(小写)，如英雄：yx
*/privatejava.lang.String short_spell;/**
* 标题，可能和片名不同，里面有可能包含推广相关文字
*/privatejava.lang.String title;/**
* 关键词，多个之间用逗号隔开
*/privatejava.lang.String keywords;/**
* 描述
*/privatejava.lang.Stringdescription;/**
* 1：电影，2：自定义专辑系列
*/privatejava.lang.Integer type;/**
* 来源站点
*/privatejava.lang.Longsite_id;/**
* 来源页面
*/privatejava.lang.String source_url;/**
* 简介，关联t_content_id
*/privatejava.lang.Longcontent_id;/**
* 评分
*/privatejava.lang.String score;/**
* 来源页面中资源唯一标志，用于去重使用
*/privatejava.lang.String source_uid;/**
* 创建时间
*/privatejava.lang.Longcreate_time;/**
* 发布时间
*/privatejava.lang.Longpub_time;/**
* 最后更新时间
*/privatejava.lang.Longupdate_time;/**
* 状态信息
*/privatejava.lang.Integer status;/**
* 版本号
*/privatejava.lang.Longversion;/**
* 扩展数据
*/privateMap extData;}复制代码
创建列表数据采集器 com.ady01.demo2.filmlist.FilmListPageProcessor
packagecom.ady01.demo2.filmlist;importcom.ady01.demo2.filmdetail.FilmDetailModel;importcom.ady01.demo2.filmdetail.FilmDetailPageProcessor;importcom.alibaba.fastjson.JSON;importlombok.extern.slf4j.Slf4j;importus.codecraft.webmagic.Page;importus.codecraft.webmagic.Request;importus.codecraft.webmagic.Site;importus.codecraft.webmagic.Spider;importus.codecraft.webmagic.processor.PageProcessor;/**
* <b>description</b>：电影列表页面数据采集器 <br>
* <b>time</b>：2019/4/21 12:40 <br>
* <b>author</b>：微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！
*/@Slf4jpublicclassFilmListPageProcessorimplementsPageProcessor{publicstaticPageModelcollector(String url){returnnewFilmListPageProcessor(url).collect().getPageModel(); }privateSite site = Site.me().setRetryTimes(3).setSleepTime(100).setTimeOut(10000);//需要采集的页面privateString url;//采集的数据privatePageModel pageModel;publicFilmListPageProcessor(String url){this.url = url; }publicFilmListPageProcessorcollect(){ Request request =newRequest(url); Spider.create(this).thread(1).addRequest(request).run();returnthis; }@Overridepublicvoidprocess(Page page){ String text = page.getRawText(); log.info("列表页面数据：{}", text);this.pageModel = JSON.parseObject(text, PageModel.class); }@OverridepublicSitegetSite(){returnthis.site; }publicPageModelgetPageModel(){returnpageModel; }publicvoidsetPageModel(PageModel pageModel){this.pageModel = pageModel; }}复制代码
测试用例com.ady01.demo2.filmlist.FilmListPageProcessorTest
packagecom.ady01.demo2.filmlist;importlombok.extern.slf4j.Slf4j;importorg.junit.Test;/**
* <b>description</b>： <br>
* <b>time</b>：2019/4/21 13:59 <br>
* <b>author</b>：微信微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据）
*/@Slf4jpublicclassFilmListPageProcessorTest{@Testpublicvoidcollect(){ String url ="http://m.ady01.com/rs/film/listJson/1/1"; PageModel collector = FilmListPageProcessor.collector(url); log.info("\n\n\n列表页面数:{}", collector); }}复制代码
运行 com.ady01.demo2.filmlist.FilmListPageProcessorTest#collect() 方法，结果如下：
3. 爬取电影《海王》迅雷地址
我们以《海王》页面( m.ady01.com/rs/film/det… )为例，来采集详情页的信息
需要采集的信息有： 电影名称、描述信息、电影下载地址列表
创建 com.ady01.demo2.filmdetail.FilmDetailModel 类，用于封装电影详细信息
package com.ady01.demo2.filmdetail;importlombok.Getter;importlombok.Setter;importlombok.ToString;importjava.io.Serializable;importjava.util.List;/**
* <b>description</b>：电影详细信息 <br>
* <b>time</b>：2019/4/21 13:18 <br>
* <b>author</b>：微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！
*/@Setter@Getter@ToStringpublicclassFilmDetailModelimplementsSerializable{privatestaticfinallong serialVersionUID = 1L;/**
* 编号
*/privatejava.lang.Longid;/**
* 片名，完整名称，不包含无关文字
*/privatejava.lang.Stringtitle;/**
* 下载地址列表
*/privateList downList;}复制代码
创建详情页采集器 com.ady01.demo2.filmdetail.FilmDetailPageProcessor
packagecom.ady01.demo2.filmdetail;importlombok.extern.slf4j.Slf4j;importus.codecraft.webmagic.Page;importus.codecraft.webmagic.Request;importus.codecraft.webmagic.Site;importus.codecraft.webmagic.Spider;importus.codecraft.webmagic.processor.PageProcessor;importus.codecraft.webmagic.selector.Selectable;importjava.util.List;importjava.util.Objects;importjava.util.stream.Collectors;/**
* <b>description</b>：电影详情页采集器，采集电影详细信息 <br>
* <b>time</b>：2019/4/21 12:40 <br>
* <b>author</b>：微信公众号：路人甲Java，专注于java技术分享（爬虫、分布式事务、异步消息服务、任务调度、分库分表、大数据等），喜欢请关注！
*/@Slf4jpublicclassFilmDetailPageProcessorimplementsPageProcessor{publicstaticFilmDetailModelcollector(longfilm_id){returnnewFilmDetailPageProcessor(film_id).collect().getFilmDetailModel(); }privateSite site = Site.me().setRetryTimes(3).setSleepTime(100).setTimeOut(10000);//电影资源idprivatelongfilm_id;//采集的数据privateFilmDetailModel filmDetailModel;publicFilmDetailPageProcessor(longfilm_id){this.film_id = film_id; }publicFilmDetailPageProcessorcollect(){ Request request =newRequest(String.format("http://m.ady01.com/rs/film/detail/%s",this.film_id)); Spider.create(this).thread(1).addRequest(request).run();returnthis; }@Overridepublicvoidprocess(Page page){ String text = page.getRawText(); log.info("列表页面数据：{}", text);this.filmDetailModel =newFilmDetailModel();//电影标题String title = page.getHtml().$("span[class='film_title']","text").get();this.filmDetailModel.setId(this.film_id);this.filmDetailModel.setTitle(title);//电影下载地址downListList downNodes = page.getHtml().$("div.film_downurl_txt").nodes();if(Objects.nonNull(downNodes)) { List downList = downNodes.stream().map(item -> item.$("div","text").get()).collect(Collectors.toList());this.filmDetailModel.setDownList(downList); } }@OverridepublicSitegetSite(){returnthis.site; }publicFilmDetailModelgetFilmDetailModel(){returnfilmDetailModel; }publicvoidsetFilmDetailModel(FilmDetailModel filmDetailModel){this.filmDetailModel = filmDetailModel; }}复制代码
创建测试用例 com.ady01.demo2.filmdetail.FilmDetailPageProcessorTest
packagecom.ady01.demo2.filmdetail;importcom.ady01.demo2.filmlist.FilmListPageProcessor;importcom.ady01.demo2.filmlist.PageModel;importcom.ady01.util.FrameUtil;importlombok.extern.slf4j.Slf4j;importorg.junit.Test;@Slf4jpublicclassFilmDetailPageProcessorTest{@Testpublicvoidcollect(){longfilm_id =46612L; FilmDetailModel filmDetailModel = FilmDetailPageProcessor.collector(46612L); log.info("\n\n\n电影《海王》详情:{}", FrameUtil.json(filmDetailModel,true)); }}复制代码
运行测试用例 com.ady01.demo2.filmdetail.FilmDetailPageProcessorTest#collect()
网友评论