基于lucene的案例开发：纵横小说章节列表采集

标签：网络爬虫   lucene   java   纵横小说   爬虫   

转载请注明出处：http://blog.csdn.net/xiaojimanman/article/details/44854719

http://www.llwjy.com/blogdetail/ddcad68eeb91034247ffa331eb461213.html

个人博客站已经上线了，网址 www.llwjy.com ~欢迎各位吐槽~
-------------------------------------------------------------------------------------------------

      在上两篇博客中，已经介绍了纵横中文小说的更新列表页和简介页内容的采集，这篇将介绍从简介页采集获得的下一跳章节列表页的信息采集，事例地址：http://book.zongheng.com/showchapter/362857.html

页面分析

      通过对页面的分析，我们可以确定下图中的部分就是我们需要采集信息及下一跳的地址。

      这里当我们想用鼠标右键--查看网页源代码的时候发现页面已经把鼠标右键这个操作屏蔽了，因此我们只能采用另一种办法来查看源代码，对页面进行分析。在当前页面，按下F12，会出现一个新窗口，也就是之前博客中提到的审查元素出现的窗口，选中Network选项卡，按下 Ctrl + F5，会出现如下画面：

      鼠标单机红色选中部分，即可查看网页源代码，效果图如下：

      对网页源代码做简单的分析，我们很容易找到章节信息所在的部分，如下图：

      每一个章节信息都存储在td标签内，因此对这部分信息我们确定最后的正则表达式为“ <td class="chapterBean" chapterId="\d*" chapterName="(.*?)" chapterLevel="\d*" wordNum="(.*?)" updateTime="(.*?)"><a href="(.*?)" title=".*?"> ”。

代码实现

      对于章节列表也信息的采集我们采用和简介页相同的方法，创建一个CrawlBase子类，用它来完成相关信息的采集。对于请求伪装等操作参照更新列表页中的介绍，这里只介绍DoRegex类中的一个方法：

List<String[]> getListArray(String dealStr, String regexStr, int[] array)

运行结果

源代码

      查看最新源代码请访问：http://www.llwjy.com/source/com.lulei.crawl.novel.zongheng.ChapterPage.html

 /**  
 *@Description:   章节列表页
 */ 
package com.lulei.crawl.novel.zongheng;  

import java.io.IOException;
import java.util.HashMap;
import java.util.List;

import com.lulei.crawl.CrawlBase;
import com.lulei.util.DoRegex;
  
public class ChapterPage extends CrawlBase {
	private static final String CHAPTER = "<td class=\"chapterBean\" chapterId=\"\\d*\" chapterName=\"(.*?)\" chapterLevel=\"\\d*\" wordNum=\"(.*?)\" updateTime=\"(.*?)\"><a href=\"(.*?)\" title=\".*?\">";
	private static final int []ARRAY = {1, 2, 3, 4};
	private static HashMap<String, String> params;
	/**
	 * 添加相关头信息，对请求进行伪装
	 */
	static {
		params = new HashMap<String, String>();
		params.put("Referer", "http://book.zongheng.com");
		params.put("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.125 Safari/537.36");
	}
	
	public ChapterPage(String url) throws IOException {
		readPageByGet(url, "utf-8", params);
	}
	
	public List<String[]> getChaptersInfo() {
		return DoRegex.getListArray(getPageSourceCode(), CHAPTER, ARRAY);
	}
	
	public static void main(String[] args) throws IOException {
		ChapterPage chapterPage = new ChapterPage("http://book.zongheng.com/showchapter/362857.html");
		for (String []ss : chapterPage.getChaptersInfo()) {
			for (String s : ss) {
				System.out.println(s);
			}
			System.out.println("----------------------------------------------------	");
		}
	}

}

基于lucene的案例开发：纵横小说章节列表采集

标签：网络爬虫   lucene   java   纵横小说   爬虫   

原文地址：http://blog.csdn.net/xiaojimanman/article/details/44854719