爬虫概念 请求方式 jsoup 分析思路 原理

爬虫基础篇

常识介绍

• 目前爬虫这项技术比如java C++ python PHP都可以支持爬虫，目前支持最好的是python，用到的框架就是scrapy对于静态页面，动态页面的话就可以用selenium。中间复杂一些就会涉及到登陆 验证码，动态渲染，IP问题，加密，app内部抓取等，获取到的数据主要用于大数据的分析，搜索技术上， 目前我也只是了解初级 简单一些。

爬虫原理

• 简单原理

  • 指定一个URL
  • 发送Http请求
  • 接受响应
  • 解析标签提取数据

• 技术点主要是3个

  • 第一个 ： 网络请求框架 Socket—> HttpURLConnection->HttpClient–>hc flunt 依次进行封装
  • 第二个 ： 将HTML二进制文件 转化为文本 –JSOUP
  • 第三个 ： 线程池 队列 优化技术

模拟浏览器网络请求

• *
  InputStream inputStream = c*1. 请求百度HttpURLConnection 来源于jdk自带**

  `

  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"); //请求方式要大写
  connection.setDoOutput(true);
  //发送请求
  OutputStream outputStream = connection.getOutputStream();
  outputStream.write("username=zhangsan&password=123".getBytes("UTF-8"));
  outputStream.flush();
  outputStream.close();
  
  //接受请求onnection.getInputStream();
  BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(inputStream));
  String line = null;
  while((line=bufferedReader.readLine())!=null) {
      System.out.println(line);
  }   
  inputStream.close();
  }` 
  

• 2. 链式编程 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");
  
  //参数拼接
  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状态码

  http协议状态码
  200 302 304 404 500

  1. 1xx 创建
  2. 2xx 成功
  3. 3xx 重定向
  4. 4xx 客户端错误
  5. 5xx 服务器错误

解析爬虫爬取回来的数据

• 解析HTML主要是用Jsoup，它一款专门用来解析HTML标签的解析器，内部封装了API

Select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。

• Selector选择器概述
  
  • tagname: 通过标签查找元素，比如：a
  • ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 元素
  • id: 通过ID查找元素，比如：#logo
  • class: 通过class名称查找元素，比如：.masthead
  • [attribute]: 利用属性查找元素，比如：[href]
    
    • [^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素
    • [attr=value]: 利用属性值来查找元素，比如：[width=500]
    • [attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href*=/path/]
    • [attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i).(png|jpe?g)]
  • *: 这个符号将匹配所有元素
• Seector选择器组合使用
  
  • 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]
  • 任意组合，比如：a[href].highlight
  • ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在”body”元素下的所有 p元素
  • parent > child: 查找某个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标签下所有直接子元素
  • siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div
  • siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p
  • el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo
• 伪选器selectors
  
  • :lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素
  • :gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素
  • :eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
  • :has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
  • :not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
  • :contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)
  • :containsOwn(text): 查找直接包含给定文本的元素
  • :matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
  • :matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
  • 注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等

Jsoup的maven依赖

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