admin 管理员组文章数量: 887021
如果你对HttpClient还不是很了解，建议先移步我的另一篇博客HttpClient4.x之请求示例后再来看这篇博客。我们这里的项目采用maven搭建。在阅读前要对jdk和maven有一定的了解。另外开发工具这里我这里使用的是：Spring Tool Suite（STS）当然你也可以使用其他的开发工具进行。环境和版本说明大致如下：
开发工具：Spring Tool Suite（STS） 3.9.6.RELEASE
maven版本：3.2.5
jdk版本： 1.8.0_144
第一步先引入项目示例程序的依赖
<dependency>
<groupId>org.apache.httpcomponents</groupId>
<artifactId>httpclient</artifactId>
<version>4.5.3</version>
</dependency>
<dependency>
<groupId>commons-logging</groupId>
<artifactId>commons-logging</artifactId>
<version>1.1.1</version>
</dependency>
<dependency>
<groupId>log4j</groupId>
<artifactId>log4j</artifactId>
<version>1.2.17</version>
</dependency>
<dependency>
<groupId>commons-lang</groupId>
<artifactId>commons-lang</artifactId>
<version>2.6</version>
</dependency>
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.8.3</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>搜索文章内容的实体类。主要是用户存储爬取的文章标题和文章的网址 。
package cn.zhuoqianmingyue.getoperation.baidusearch;
/**
* 搜索数据
* @author zhuoqianmingyue
*/
public class SearchData {
private String title;//文章标题
private String url;//文章的url
public String getTitle() {
return title;
}
public void setTitle(String title) {
this.title = title;
}
public String getUrl() {
return url;
}
public void setUrl(String url) {
this.url = url;
}
}
实现思路：
在介绍实现逻辑前我们先我们了解一下百度搜索搜索参数介绍与结果页面的规律。
然后将搜索地址复制下来：
https://www.baidu/s？wd = httpclinet＆pn = 20＆oq = httpclinet＆ie = utf-8＆rsv_idx = 1＆rsv_pq = f04f5a140000a07c＆rsv_t = 0bfcfngHhMH3Vk5SnTN81kLVbKKYYKMY9rqyBKn64MnYAQRQ％2FzWD48knXc
wd：查询关键字; pn：显示结果页数; oq：上次索引关键字1页是0 2页是10 3页是20；ie：关键字编码格式;rsv_idx：不知道只干啥的这里好像没有变化一直是1; rsv_pq：未知每次搜索都有变化; rsv_t：未知每次搜索都有变化
查看结果数据的HTML标签规律
我们发现结果数据都是携带data-click 的a标签，文章url都在href中,文章标题就是一个a标签的文本内容。
翻页区域都是在id属性是page的div中我们可以根据是否包含下一页判断是否到最后一页。
还有一点需要注意的是百度快照也是包含数据单击的一个标签这个我们要进行筛除。
实现逻辑大致如下：我们首先通过循环对页数进行累加通过httpclinet爬取每页的结果数据当我们发现分页区域没有下一页的内容后停止数据的爬取。爬取没页数据后通过jsoup解析爬取html信息获取所有的含有data-click的a标签，判断a标签文本是否是百度快照，如果不是获取a标签的href的文本并设置到SearchData中。
百度爬虫实现工具类代码实现：
package cn.zhuoqianmingyue.getoperation.baidusearch;
import java.io.IOException;
import java.URI;
import java.URISyntaxException;
import java.util.ArrayList;
import java.util.List;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.client.utils.URIBuilder;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;
import org.apache.log4j.Logger;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import cn.zhuoqianmingyue.getoperation.SimpleGetHttpClientDemo;
public class BaiDuSearchUtil {
private static Logger log = Logger.getLogger(SimpleGetHttpClientDemo.class);
/**
* 根据searchKey 爬取相关的文章内容
* @param searchKey
* @return
* @throws URISyntaxException
*/
public static List<SearchData> search(String searchKey) throws URISyntaxException {
List<SearchData> allSearchData = new ArrayList<SearchData>();
int pageNumber = 1;
boolean flag = true;
while(flag) {
String searchInfoHtml = getSearchInfoHtml(searchKey,pageNumber);
boolean isEndpage = isEndPage(searchInfoHtml);
if(!isEndpage) {
List<SearchData> currentPageSearchDataList = parseDataHtml(searchInfoHtml);
allSearchData.addAll(currentPageSearchDataList);
}else {
flag = false;
}
pageNumber++;
log.info("当前爬取的页数为："+pageNumber);
}
return allSearchData;
}
/**
* 判断当前搜索结果是否是最后一页
* @param searchInfoHtml
* @return
*/
private static boolean isEndPage(String searchInfoHtml) {
Document doc = Jsoup.parse(searchInfoHtml);
Element pageElement = doc.select("div#page").get(0);
String html = pageElement.html();
if(html.indexOf("下一页")!=-1) {
return false;
}
return true;
}
/**
* 解析搜索结果中文章标题和文章的url
* @param searchInfoHtml
* @return
*/
private static List<SearchData> parseDataHtml(String searchInfoHtml) {
List<SearchData> searchDataList = new ArrayList<SearchData>();
Document doc = Jsoup.parse(searchInfoHtml);
Elements select = doc.select("a[data-click]");
for (Element element : select) {
String url = element.attr("href");
if(!"javascript:;".equals(url)) {
String title = element.html().replace("<em>", "").replace("</em>", "");
if(!"百度快照".equals(title)) {
SearchData searchData = new SearchData();
searchData.setTitle(title);
searchData.setUrl(url);
searchDataList.add(searchData);
}
}
}
return searchDataList;
}
/**
* 爬取百度搜索具体页数结果页面
* @param searchKey :搜索的关键词
* @param number:爬取的页数
* @return
* @throws URISyntaxException
*/
private static String getSearchInfoHtml(String searchKey,Integer pageNumber) throws URISyntaxException {
String searchInfoHtml = "";
URI uriParma = dualWithParameter(searchKey,pageNumber);
HttpGet httpGet = new HttpGet(uriParma);
addHeaders(httpGet);
CloseableHttpClient httpClient = HttpClients.createDefault();
CloseableHttpResponse response = null;
try {
response = httpClient.execute(httpGet);
int satausCode = response.getStatusLine().getStatusCode();
if(satausCode == 200 ){
searchInfoHtml = EntityUtils.toString(response.getEntity(),"UTF-8");
}
} catch (ClientProtocolException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
return searchInfoHtml;
}
/**
* 设置httpGet的头部信息
* @param httpGet
*/
private static void addHeaders(HttpGet httpGet) {
httpGet.addHeader("Host","www.baidu");
httpGet.addHeader("User-Agent","Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36");
}
/**
* 处理百度搜索必须的查询参数
* @param searchKey
* @param pageNumber
* @return
* @throws URISyntaxException
*/
private static URI dualWithParameter(String searchKey, Integer pageNumber) throws URISyntaxException {
URI uri = new URI("https://www.baidu/s");
URIBuilder uriBuilder = new URIBuilder(uri);
uriBuilder.setParameter("wd", searchKey);//查询关键字
uriBuilder.setParameter("pn", ((pageNumber-1)*10)+"");//显示结果页数
uriBuilder.setParameter("oq", searchKey);//上次索引关键字
uriBuilder.setParameter("ie", "utf-8");//关键字编码格式
uriBuilder.setParameter("rsv_idx", "1");//
uriBuilder.setParameter("f", "8");//用户自立搜索，透露表现用户直接点击“百度一下”按键
uriBuilder.setParameter("rsv_bq", "1");
uriBuilder.setParameter("tn", "baidu");
URI uriParma = uriBuilder.build();
return uriParma;
}
public static void main(String[] args) throws URISyntaxException {
List<SearchData> allSearchData = BaiDuSearchUtil.search("httpclinet");
System.out.println(allSearchData.size());
}
}
参考文献：https：//blog.csdn/qq_26816591/article/details/53335987
源码地址：https：//github/zhuoqianmingyue/httpclientexamples
本文标签： 搜索结果 翻页 HttpClient
版权声明：本文标题：HttpClient 实现爬取百度搜索结果（自动翻页） 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.freenas.com.cn/jishu/1726435640h960162.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论