Java爬虫实战（二）：抓取一个视频网站上2015年所有电影的下载链接

标签：java   正则表达式   爬虫   

前言：这是Java爬虫实战的第二篇文章，在第一篇文章仅仅只是抓取目标网站的链接的基础上，进一步提高难度，抓取目标页面上我们所需要的内容并保存在数据库中。这里的测试案例选用了一个我常用的电影下载网站（http://www.80s.la/）。本来是想抓取网站上的所有电影的下载链接，后来感觉需要的时间太长，因此改成了抓取2015年电影的下载链接。

注：文末有我抓取到的整个列表的下载链接（包括：电影名称和迅雷下载链接）

一 原理简介

       其实原理都跟第一篇文章差不多，不同的是鉴于这个网站的分类列表实在太多，如果不对这些标签加以取舍的话，需要花费的时间难以想象

 分类链接和标签链接都不要，不通过这些链接去爬取其他页面，只通过页底的所有类型电影的分页去获取其他页面的电影列表即可。同时，对于电影详情页面，仅仅只是抓取其中的电影标题和迅雷下载链接，并不进行深层次的爬行，详情页面的一些推荐电影等链接通通不要。

       最后就是将所有获取到的电影的下载链接保存在videoLinkMap这个集合中，通过遍历这个集合将数据保存到MySQL里

注：如果对原理还是不够清晰的话，推荐看我的上一篇文章：http://www.zifangsky.cn/2015/12/java爬虫实战（一）：抓取一个网站上的全部链接/

二 代码实现

       实现原理已经在上面说了，并且代码中有详细注释，因此这里就不多说了，代码如下：

package action;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.MalformedURLException;
import java.net.URL;
import java.sql.Connection;
import java.sql.PreparedStatement;
import java.sql.SQLException;
import java.util.LinkedHashMap;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class VideoLinkGrab {

	public static void main(String[] args) {
		VideoLinkGrab videoLinkGrab = new VideoLinkGrab();
		videoLinkGrab.saveData("http://www.80s.la/movie/list/-2015----p");
	}

	/**
	 * 将获取到的数据保存在数据库中
	 * 
	 * @param baseUrl
	 *            爬虫起点
	 * @return null
	 * */
	public void saveData(String baseUrl) {
		Map<String, Boolean> oldMap = new LinkedHashMap<String, Boolean>(); // 存储链接-是否被遍历

		Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 视频下载链接
		String oldLinkHost = ""; // host

		Pattern p = Pattern.compile("(https?://)?[^/\\s]*"); // 比如：http://www.zifangsky.cn
		Matcher m = p.matcher(baseUrl);
		if (m.find()) {
			oldLinkHost = m.group();
		}

		oldMap.put(baseUrl, false);
		videoLinkMap = crawlLinks(oldLinkHost, oldMap);
		// 遍历，然后将数据保存在数据库中
		try {
			Connection connection = JDBCDemo.getConnection();
			for (Map.Entry<String, String> mapping : videoLinkMap.entrySet()) {
				PreparedStatement pStatement = connection
						.prepareStatement("insert into movie(MovieName,MovieLink) values(?,?)");
				pStatement.setString(1, mapping.getKey());
				pStatement.setString(2, mapping.getValue());
				pStatement.executeUpdate();
				pStatement.close();
//				System.out.println(mapping.getKey() + " : " + mapping.getValue());
			}
			connection.close();
		} catch (SQLException e) {
			e.printStackTrace();
		}
	}

	/**
	 * 抓取一个网站所有可以抓取的网页链接，在思路上使用了广度优先算法 对未遍历过的新链接不断发起GET请求， 一直到遍历完整个集合都没能发现新的链接
	 * 则表示不能发现新的链接了，任务结束
	 * 
	 * 对一个链接发起请求时，对该网页用正则查找我们所需要的视频链接，找到后存入集合videoLinkMap
	 * 
	 * @param oldLinkHost
	 *            域名，如：http://www.zifangsky.cn
	 * @param oldMap
	 *            待遍历的链接集合
	 * 
	 * @return 返回所有抓取到的视频下载链接集合
	 * */
	private Map<String, String> crawlLinks(String oldLinkHost,
			Map<String, Boolean> oldMap) {
		Map<String, Boolean> newMap = new LinkedHashMap<String, Boolean>(); // 每次循环获取到的新链接
		Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 视频下载链接
		String oldLink = "";

		for (Map.Entry<String, Boolean> mapping : oldMap.entrySet()) {
			// System.out.println("link:" + mapping.getKey() + "--------check:"
			// + mapping.getValue());
			// 如果没有被遍历过
			if (!mapping.getValue()) {
				oldLink = mapping.getKey();
				// 发起GET请求
				try {
					URL url = new URL(oldLink);
					HttpURLConnection connection = (HttpURLConnection) url
							.openConnection();
					connection.setRequestMethod("GET");
					connection.setConnectTimeout(2500);
					connection.setReadTimeout(2500);

					if (connection.getResponseCode() == 200) {
						InputStream inputStream = connection.getInputStream();
						BufferedReader reader = new BufferedReader(
								new InputStreamReader(inputStream, "UTF-8"));
						String line = "";
						Pattern pattern = null;
						Matcher matcher = null;
						//电影详情页面，取出其中的视频下载链接，不继续深入抓取其他页面
						if(isMoviePage(oldLink)){
							boolean checkTitle = false;
							String title = "";
							while ((line = reader.readLine()) != null) {
								//取出页面中的视频标题
								if(!checkTitle){
									pattern = Pattern.compile("([^\\s]+).*?</title>");
									matcher = pattern.matcher(line);
									if(matcher.find()){
										title = matcher.group(1);
										checkTitle = true;
										continue;
									}
								}
								// 取出页面中的视频下载链接
								pattern = Pattern
										.compile("(thunder:[^\"]+).*thunder[rR]es[tT]itle=\"[^\"]*\"");
								matcher = pattern.matcher(line);
								if (matcher.find()) {
									videoLinkMap.put(title,matcher.group(1));
									System.out.println("视频名称： "
											+ title + "  ------  视频链接："
											+ matcher.group(1));
									break;  //当前页面已经检测完毕
								}
							}	
						}
						//电影列表页面
						else if(checkUrl(oldLink)){
							while ((line = reader.readLine()) != null) {

								pattern = Pattern
										.compile("<a href=\"([^\"\\s]*)\"");
								matcher = pattern.matcher(line);
								while (matcher.find()) {
									String newLink = matcher.group(1).trim(); // 链接
									// 判断获取到的链接是否以http开头
									if (!newLink.startsWith("http")) {
										if (newLink.startsWith("/"))
											newLink = oldLinkHost + newLink;
										else
											newLink = oldLinkHost + "/" + newLink;
									}
									// 去除链接末尾的 /
									if (newLink.endsWith("/"))
										newLink = newLink.substring(0,
												newLink.length() - 1);
									// 去重，并且丢弃其他网站的链接
									if (!oldMap.containsKey(newLink)
											&& !newMap.containsKey(newLink)
											&& (checkUrl(newLink) || isMoviePage(newLink))) {
										System.out.println("temp: " + newLink);
										newMap.put(newLink, false);
									}
								}
							}
						}

						reader.close();
						inputStream.close();
					}
					connection.disconnect();
				} catch (MalformedURLException e) {
					e.printStackTrace();
				} catch (IOException e) {
					e.printStackTrace();
				}

				try {
					Thread.sleep(1000);
				} catch (InterruptedException e) {
					e.printStackTrace();
				}
				oldMap.replace(oldLink, false, true);
			}
		}
		// 有新链接，继续遍历
		if (!newMap.isEmpty()) {
			oldMap.putAll(newMap);
			videoLinkMap.putAll(crawlLinks(oldLinkHost, oldMap)); // 由于Map的特性，不会导致出现重复的键值对
		}
		return videoLinkMap;
	}
	
	/**
	 * 判断是否是2015年的电影列表页面
	 * @param url 待检查URL
	 * @return 状态
	 * */
	public boolean checkUrl(String url){
		Pattern pattern =  Pattern.compile("http://www.80s.la/movie/list/-2015----p\\d*");
		Matcher matcher = pattern.matcher(url);
		if(matcher.find())
			return true;  //2015年的列表
		else
			return false;
	}
	
	/**
	 * 判断页面是否是电影详情页面
	 * @param url  页面链接
	 * @return 状态
	 * */
	public boolean isMoviePage(String url){
		Pattern pattern =  Pattern.compile("http://www.80s.la/movie/\\d+");
		Matcher matcher = pattern.matcher(url);
		if(matcher.find())
			return true;  //电影页面
		else 
			return false;
	}
	
}

注：如果想要实现抓取其他网站的一些指定内容的话，需要将其中的一些正则表达式根据实际情况进行合理修改

三 测试效果

附：我已经将数据导出成Word文档了，欢迎大家下载。百度云链接：http://pan.baidu.com/s/1nuupHMx

本文出自 “zifangsky的个人博客” 博客，请务必保留此出处http://983836259.blog.51cto.com/7311475/1730243

Java爬虫实战（二）：抓取一个视频网站上2015年所有电影的下载链接

标签：java   正则表达式   爬虫   

原文地址：http://983836259.blog.51cto.com/7311475/1730243