大众点评 爬虫 java_用JAVA制作一个爬取商品信息的爬虫（爬取大众点评）

很多企业要求利用爬虫去爬取商品信息，一般的开发模型如下：

for i=1;i<=最大页号;i++

列表页面url=商品列表页面url+?page=i(页号)

列表页面=爬取(列表页面url)

商品链接列表=抽取商品链接(列表页面)

for 链接 in 商品链接列表:

商品页面=爬取(链接)

抽取(商品页面);

这样的模型看似简单，但是有一下几个问题：

1)爬虫没有线程池支持。

2)没有断点机制。

3)没有爬取状态存储，爬取商品网站经常会出现服务器拒绝链接(反问次数过多),导致一旦出现

拒绝链接，有部分页面是未爬取状态。而没有爬取状态记录，导致爬虫需要重新爬取，才可获得完整数据。

4)当抽取业务复杂时，代码可读性差(没有固定框架)

很多企业解决上面问题时，并没有选择nutch、crawler4j这样的爬虫框架，因为这些爬虫都是基于广度遍历的，上面的业务虽然是简单的双重循环，但是不是广度遍历。但是实际上这个双重循环，是可以转换成广度遍历的，当广度遍历的的层数为1的时候，等价于基于url列表的爬取(种子列表)。上面业务中的循环，其实就是基于url列表的爬取。上面的伪代码是双重循环，所以可以拆分成2次广度遍历来完成的。

我们设计两个广度遍历器LinkCrawler和ProductCrawler：

1)LinkCrawler负责遍历商品列表页面，抽取每个商品详情页面的url，将抽取出的url注入(inject)到ProductCrawler里

2)ProductCrawler以LinkCrawler注入的url为种子，进行爬取，对每个商品详情页面进行抽取。

这里以WebCollector爬虫框架为例，给出一段爬取大众点评团购的示例：

import java.io.File;

import java.io.IOException;

import java.util.regex.Pattern;

import org.jsoup.nodes.Document;

import org.jsoup.nodes.Element;

import org.jsoup.select.Elements;

import cn.edu.hfut.dmic.webcollector.crawler.BreadthCrawler;

import cn.edu.hfut.dmic.webcollector.generator.Injector;

import cn.edu.hfut.dmic.webcollector.model.Page;

import cn.edu.hfut.dmic.webcollector.util.Config;

import cn.edu.hfut.dmic.webcollector.util.FileUtils;

/**

* 爬取大众点评团购信息的爬虫Demo 很多精抽取的爬虫，并不是采用简单的广度遍历算法，而是采用两个步骤完成：

* 1.用循环遍历商品列表页面，抽取每个商品详情页面的url 2.对每个商品详情页面进行抽取

* 大多数爬虫往往只支持广度遍历，所以很多人选择自已用循环来进行上面的抽取 操作，这样做往往不能享受到爬虫框架所提供的线程池、异常处理和断点支持等 功能。

*

* 其实上面的抽取任务，是可以通过拆分成2次广度遍历来完成的。 当广度遍历的的层数为1的时候，等价于基于url列表的爬取(种子列表)

* 我们设计两个广度遍历器LinkCrawler和ProductCrawler

* 1)LinkCrawler负责遍历商品列表页面，抽取每个商品详情页面的url，将抽取出的url注 入(inject)到ProductCrawler里

* 2)ProductCrawler以LinkCrawler注入的url为种子，进行爬取，对每个商品详情页面进行 抽取。

*

* @author hu

*/

public class DazhongDemo {

public static class LinkCrawler extends BreadthCrawler {

Injector injector;

public LinkCrawler(String linkPath, String productPath) {

setCrawlPath(linkPath);

/*向ProductCrawler爬虫注入种子的注入器*/

injector = new Injector(productPath);

/*LinkCrawler负责遍历商品列表页面，i是页号*/

for (int i = 1; i < 3; i++) {

addSeed("http://t.dianping.com/list/hefei-category_1?pageno=" + i);

}

addRegex(".*");

}

@Override

public void visit(Page page) {

Document doc = page.getDoc();

Elements links = doc.select("li[class^=floor]>a[track]");

for (Element link : links) {

/*href是从商品列表页面中抽取出的商品详情页面url*/

String href = link.attr("abs:href");

System.out.println(href);

synchronized (injector) {

try {

/*将商品详情页面的url注入到ProductCrawler作为种子*/

injector.inject(href, true);

} catch (IOException ex) {

}

}

}

}

/*Config.topN=0的情况下，深度为1的广度遍历，等价于对种子列表的遍历*/

public void start() throws IOException {

start(1);

}

}

public static class ProductCrawler extends BreadthCrawler {

public ProductCrawler(String productPath) {

setCrawlPath(productPath);

addRegex(".*");

setResumable(true);

setThreads(5);

}

@Override

public void visit(Page page) {

/*判断网页是否是商品详情页面，这个程序里可以省略*/

if (!Pattern.matches("http://t.dianping.com/deal/[0-9]+", page.getUrl())) {

return;

}

Document doc = page.getDoc();

String name = doc.select("h1.title").first().text();

String price = doc.select("span.price-display").first().text();

String origin_price = doc.select("span.price-original").first().text();

String validateDate = doc.select("div.validate-date").first().text();

System.out.println(name + " " + price + "/" + origin_price + validateDate);

}

/*Config.topN=0的情况下，深度为1的广度遍历，等价于对种子列表的遍历*/

public void start() throws IOException {

start(1);

}

}

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

/*

Config.topN表示爬虫做链接分析时，链接数量上限，由于本程序只要求遍历

种子url列表，不需根据链接继续爬取，所以要设置为0

*/

Config.topN = 0;

/*

每个爬虫的爬取依赖一个文件夹，这个文件夹会对爬取信息进行存储和维护

这里有两个爬虫，所以需要设置两个爬取文件夹

*/

String linkPath = "crawl_link";

String productPath = "crawl_product";

File productDir = new File(productPath);

if (productDir.exists()) {

FileUtils.deleteDir(productDir);

}

LinkCrawler linkCrawler = new LinkCrawler(linkPath, productPath);

linkCrawler.start();

ProductCrawler productCrawler = new ProductCrawler(productPath);

productCrawler.start();

}

}