阿粉教你如何使用爬虫来对比某东上的数据

自从阿粉经历过上次的大数据杀熟事件之后,明显感觉现在的平台对于用户非常的不友好呀,只要你高频的搜索某些关键词的同时,却往往是越对比,直接就买在了最高峰,就和买股票一样,每次总感觉能抄底,殊不知买在了天台。于是阿粉想了个办法,把所有的数据扒拉下来,我自己做对比,也不去搜索了,省的平台上总是根据我的搜索内容去进行推荐。

Java如何做爬虫

大家在想到爬虫的时候,一定想说,爬虫,这东西不是学Python的人员才能做的么?我们Java能做呢?阿粉想告诉大家的是,可以,Java语言这么多年,历时这么久,怎么可能没有这些内容呢,于是阿粉就开始了学习了 Java 的爬虫道路。

Jsoup

阿粉在介绍这个类之前,肯定先得说说我们通常看到的内容是由什么组成的,现在比如说我们做开发的都知道,至少我们在电脑端访问某东,某宝的数据的时候,他们给我们反馈的数据都是通过 HTML 来进行展示的,比如说这个样子:

在开发的肯定都是知道,这些都是些什么意思,阿粉在这里我们就不再进行详细的介绍,说这个 HTML 到底是个啥东西了,阿粉需要介绍的是 Jsoup ,然后告诉大家怎么使用 Jsoup 这个类爬取京东的数据。

正如官方文档所给我们提示的内容,怎么去解析一段 HTML 代码 :

1
2
3
4
5
String html = "<html><head><title>First parse</title></head>"
  + "<body><p>Parsed HTML into a doc.</p></body></html>";
  
Document doc = Jsoup.parse(html);

而这个 Document是什么呢?我们可以输出一下看一眼,顺带着看看源码解释,毕竟嘛,开发人员不看这个类是干嘛的,就不是个合格的程序员不是,

输出内容:

1
2
3
4
5
6
7
8
9
<html>
 <head>
  <title>First parse</title>
 </head>
 <body>
  <p>Parsed HTML into a doc.</p>
 </body>
</html>

其实可以看出这里,Document实际上是给我们输出了一个新的文档,而且是整理之后的,相当于为之后的分析 HTML 做了专业的准备。

而我们在看源码的注释的时候,不难看出,Jsoup不单单是能解析我们给的这个字符串,还可以是一个URL,也可以是一个文件。

它把我们给他的 HTML 字符串转换成了一个对象,这个对象就是我们上面看到的 Document,然后我们就可以顺利成章的去使用 Document 对象里面的元素了。

上面是解析字符串,那我们看下面这个解析 URL 的存在:

1
2
3
4
5
6
7
8
9
10
 public static void main(String[] args) {
        try {
            Document doc = Jsoup.connect("https://www.jd.com/?cu=true&utm_source=baidu-pinzhuan&utm_medium=cpc&utm_campaign=t_288551095_baidupinzhuan&utm_term=0f3d30c8dba7459bb52f2eb5eba8ac7d_0_f38cf584e9fb4328a3e0d2bb515e1458").get();
            String title = doc.title();
            System.out.println(title);
        }catch (IOException e){
            e.printStackTrace();
        }
    }
    

大家执行以下的话,就一定能够看到这个 title 到底是什么,而结果是这个样子的:

和我们在百度搜索的时候是不是不太一样了,因为这个是进入之后的主页。

Element

而在我们看源码的时候,我们能清晰的看到,Document 是继承了 Element 的类,那么必然可以调用 Element 里面的方法,比如说:

1
2
3
4
5
getElementById(String id); //是不是有点眼熟,像不像Js里面的ID选择器

getElementsByTag(String tagName);// 通过标签来选择

getAllElements();//获取所有的Element的元素

关于方法,阿粉就不再一一的进行叙述了,大家有兴趣的可以去看看官方文档,或者去看看这个源码,包名送上 package org.jsoup.nodes

有人肯定开始烦了,说阿粉,你就别介绍了,那你说了太多废话了,赶紧介绍爬京东,好的,这就开始,

我们在爬取之前肯定先分析京东的网址,比如说我搜索硬盘:

下面就出来了一堆数据,而我们则需要解析的就是在 HTML 种最有用的那一部分,比如:

1
2
3
4
5
6
<div class="p-price">
    <strong class="J_54994027563" data-done="1">
        <em>¥</em><i>879.00</i>
    </strong>
</div>

在这里我们就记下了这个价格,然后我们去找我们要的名字

看,p-name就是我们需要的名字,那么我们就可以写代码了。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
     //这是京东的搜索网址,我们把这个keyword关键词提取出来,注意中英文,中文要处理一下
     String url = "https://search.jd.com/Search?keyword=" + keyword;
     url = url + "&enc=utf-8";
     Document document = Jsoup.parse(new URL(url), 40000);
    
     //我们先找这个 List,然后一层一层的遍历
     Element element = document.getElementById("J_goodsList");
     Elements elements = element.getElementsByTag("li");
     for (Element el : elements) {
         String img = el.getElementsByTag("img").eq(0).attr("source-data-lazy-img");
         String price = el.getElementsByClass("p-price").eq(0).text();
         String title = el.getElementsByClass("p-name").eq(0).text();
         String shop = el.getElementsByClass("p-shop").eq(0).text();
            System.out.println("=========================");
            System.out.println("标题:" + title);
            System.out.println("图片url:" + img);
            System.out.println("店铺:" + shop);
            System.out.println("价格:" + price);
      } 

大家看执行的效果图:

如果你还有兴趣的话,你可以直接在for循环里面新建一个对象,弄一个List集合,然后在最后的的时候,执行一下插入数据库的方法,这样是不是就能完整的把数据都保存下来了呢?

写在最后

为什么阿粉介绍爬取某东,而不去爬取某宝,因为某东是允许你爬取我的数据的,他没有做任何的反扒机制,而某宝则不行,正是应了那句话

“某东:我卖的是真货,你说我骗人,我赔给你,某宝:我卖假货,但是我不承认,你能拿我怎么办?某多多:亲,假一赔十,结果发过来11件假货,”

阿粉想问大家,你有没有被大数据杀熟过呢?

Java Geek Tech wechat
欢迎订阅 Java 极客技术,这里分享关于 Java 的一切。