码迷,mamicode.com
首页 > 微信 > 详细

微信公众号批量爬取java版

时间:2017-12-04 00:07:28      阅读:701      评论:0      收藏:0      [点我收藏+]

标签:monitor   细节   cli   下载地址   gis   lists   选择   环境   它的   

最近需要爬取微信公众号的文章信息。在网上找了找发现微信公众号爬取的难点在于公众号文章链接在pc端是打不开的,要用微信的自带浏览器(拿到微信客户端补充的参数,才可以在其它平台打开),这就给爬虫程序造成很大困扰。后来在知乎上看到了一位大牛用php写的微信公众号爬取程序,就直接按大佬的思路整了整搞成java的了。改造途中遇到蛮多细节问题,拿出来分享一下。

附上大牛文章链接:https://zhuanlan.zhihu.com/c_65943221  写php的或者只需要爬取思路的可以直接看这个,思路写的非常详细。

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------

系统的基本思路是在安卓模拟器上运行微信,模拟器设置代理,通过代理服务器拦截微信数据,将得到的数据发送给自己的程序进行处理。

需要准备的环境:nodejs,anyproxy代理,安卓模拟器

nodejs下载地址:http://nodejs.cn/download/,我下载的是windows版的,下好直接安装就行。安装好后,直接运行C:\Program Files\nodejs\npm.cmd 会自动配置好环境。

anyproxy安装:按上一步安装好nodejs之后,直接在cmd运行 npm install -g anyproxy 就会安装了

安卓模拟器随便在网上下一个就好了,一大堆。

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

首先为代理服务器安装证书,anyproxy默认不解析https链接,安装证书后就可以解析了,在cmd执行anyproxy --root 就会安装证书,之后还得在模拟器也下载这个证书。

然后输入anyproxy -i 命令 打开代理服务。(记得加上参数!)

 技术分享图片

 

记住这个ip和端口,之后安卓模拟器的代理就用这个。现在用浏览器打开网页:http://localhost:8002/  这是anyproxy的网页界面,用于显示http传输数据。

技术分享图片

点击上面红框框里面的菜单,会出一个二维码,用安卓模拟器扫码识别,模拟器(手机)就会下载证书了,安装上就好了。

现在准备为模拟器设置代理,代理方式设置为手动,代理ip为运行anyproxy机器的ip,端口是8001

技术分享图片

 

到这里准备工作基本完成,在模拟器上打开微信随便打开一个公众号的文章,就能从你刚打开的web界面中看到anyproxy抓取到的数据:

技术分享图片

上面红框内就是微信文章的链接,点击进去可以看到具体的数据。如果response body里面什么都没有可能证书安装有问题。

如果上面都走通了,就可以接着往下走了。

这里我们靠代理服务抓微信数据,但总不能抓取一条数据就自己操作一下微信,那样还不如直接人工复制。所以我们需要微信客户端自己跳转页面。这时就可以使用anyproxy拦截微信服务器返回的数据,往里面注入页面跳转代码,再把加工的数据返回给模拟器实现微信客户端自动跳转。

打开anyproxy中的一个叫rule_default.js的js文件,windows下该文件在:C:\Users\Administrator\AppData\Roaming\npm\node_modules\anyproxy\lib

在文件里面有个叫replaceServerResDataAsync: function(req,res,serverResData,callback)的方法,这个方法就是负责对anyproxy拿到的数据进行各种操作。一开始应该只有callback(serverResData);这条语句的意思是直接返回服务器响应数据给客户端。直接删掉这条语句,替换成大牛写的如下代码。这里的代码我并没有做什么改动,里面的注释也解释的给非常清楚,直接按逻辑看懂就行,问题不大。

 1 replaceServerResDataAsync: function(req,res,serverResData,callback){
 2         if(/mp\/getmasssendmsg/i.test(req.url)){//当链接地址为公众号历史消息页面时(第一种页面形式)
 3             //console.log("开始第一种页面爬取");
 4             if(serverResData.toString() !== ""){
 5                  6                 try {//防止报错退出程序
 7                     var reg = /msgList = (.*?);/;//定义历史消息正则匹配规则
 8                     var ret = reg.exec(serverResData.toString());//转换变量为string
 9                     HttpPost(ret[1],req.url,"/InternetSpider/getData/showBiz");//这个函数是后文定义的,将匹配到的历史消息json发送到自己的服务器
10                     var http = require(‘http‘);
11                     http.get(‘http://xxx/getWxHis‘, function(res) {//这个地址是自己服务器上的一个程序,目的是为了获取到下一个链接地址,将地址放在一个js脚本中,将页面自动跳转到下一页。后文将介绍getWxHis.php的原理。
12                         res.on(‘data‘, function(chunk){
13                         callback(chunk+serverResData);//将返回的代码插入到历史消息页面中,并返回显示出来
14                         })
15                     });
16                 }catch(e){//如果上面的正则没有匹配到,那么这个页面内容可能是公众号历史消息页面向下翻动的第二页,因为历史消息第一页是html格式的,第二页就是json格式的。
17                 //console.log("开始第一种页面爬取向下翻形式");
18                      try {
19                         var json = JSON.parse(serverResData.toString());
20                         if (json.general_msg_list != []) {
21                         HttpPost(json.general_msg_list,req.url,"/xxx/showBiz");//这个函数和上面的一样是后文定义的,将第二页历史消息的json发送到自己的服务器
22                         }
23                      }catch(e){
24                        console.log(e);//错误捕捉
25                      }
26                     callback(serverResData);//直接返回第二页json内容
27                 }
28             }
29             //console.log("开始第一种页面爬取 结束");
30         }else if(/mp\/profile_ext\?action=home/i.test(req.url)){//当链接地址为公众号历史消息页面时(第二种页面形式)
31             try {
32                 var reg = /var msgList = \‘(.*?)\‘;/;//定义历史消息正则匹配规则(和第一种页面形式的正则不同)
33                 var ret = reg.exec(serverResData.toString());//转换变量为string
34                 HttpPost(ret[1],req.url,"/xxx/showBiz");//这个函数是后文定义的,将匹配到的历史消息json发送到自己的服务器
35                 var http = require(‘http‘);
36                 http.get(‘xxx/getWxHis‘, function(res) {//这个地址是自己服务器上的一个程序,目的是为了获取到下一个链接地址,将地址放在一个js脚本中,将页面自动跳转到下一页。后文将介绍getWxHis.php的原理。
37                         res.on(‘data‘, function(chunk){
38                         callback(chunk+serverResData);//将返回的代码插入到历史消息页面中,并返回显示出来
39                         })
40                     });
41             }catch(e){
42                 //console.log(e);
43                 callback(serverResData);
44             }
45         }else if(/mp\/profile_ext\?action=getmsg/i.test(req.url)){//第二种页面表现形式的向下翻页后的json
46             try {
47                 var json = JSON.parse(serverResData.toString());
48                 if (json.general_msg_list != []) {
49                     HttpPost(json.general_msg_list,req.url,"/xxx/showBiz");//这个函数和上面的一样是后文定义的,将第二页历史消息的json发送到自己的服务器
50                 }
51             }catch(e){
52                 console.log(e);
53             }
54             callback(serverResData);
55         }else if(/mp\/getappmsgext/i.test(req.url)){//当链接地址为公众号文章阅读量和点赞量时
56             try {
57                 HttpPost(serverResData,req.url,"/xxx/getMsgExt");//函数是后文定义的,功能是将文章阅读量点赞量的json发送到服务器
58             }catch(e){
59 
60             }
61             callback(serverResData);
62         }else if(/s\?__biz/i.test(req.url) || /mp\/rumor/i.test(req.url)){//当链接地址为公众号文章时(rumor这个地址是公众号文章被辟谣了)
63             try {
64                 var http = require(‘http‘);
65                 http.get(‘http://xxx/getWxPost‘, function(res) {//这个地址是自己服务器上的另一个程序,目的是为了获取到下一个链接地址,将地址放在一个js脚本中,将页面自动跳转到下一页。后文将介绍getWxPost.php的原理。
66                     res.on(‘data‘, function(chunk){
67                         callback(chunk+serverResData);
68                     })
69                 });
70             }catch(e){
71                 callback(serverResData);
72             }
73         }else{
74             callback(serverResData);
75         }
76         //callback(serverResData);
77     },

这里简单解释一下,微信公众号的历史消息页链接有两种形式:一种以 mp.weixin.qq.com/mp/getmasssendmsg 开头,另一种是 mp.weixin.qq.com/mp/profile_ext 开头。历史页是可以向下翻的,如果向下翻将触发js事件发送请求得到json数据(下一页内容)。还有公众号文章链接,以及文章的阅读量和点赞量的链接(返回的是json数据),这几种链接的形式是固定的可以通过逻辑判断来区分。这里有个问题就是历史页如果需要全部爬取到该怎么做到。我的思路是通过js去模拟鼠标向下滑动,从而触发提交加载下一部分列表的请求。或者直接利用anyproxy分析下滑加载的请求,直接向微信服务器发生这个请求。但都有一个问题就是如何判断已经没有余下数据了。我是爬取最新数据,暂时没这个需求,可能以后要。如果有需求的可以尝试一下。

下图是上文中的HttpPost方法内容。

 1 function HttpPost(str,url,path) {//将json发送到服务器,str为json内容,url为历史消息页面地址,path是接收程序的路径和文件名
 2     console.log("开始执行转发操作");
 3     try{
 4     var http = require(‘http‘);
 5     var data = {
 6         str: encodeURIComponent(str),
 7         url: encodeURIComponent(url)
 8     };
 9     data = require(‘querystring‘).stringify(data);
10     var options = {
11         method: "POST",
12         host: "xxx",//注意没有http://,这是服务器的域名。
13         port: xxx,
14         path: path,//接收程序的路径和文件名
15         headers: {
16             ‘Content-Type‘: ‘application/x-www-form-urlencoded; charset=UTF-8‘,
17             "Content-Length": data.length
18         }
19     };
20     var req = http.request(options, function (res) {
21         res.setEncoding(‘utf8‘);
22         res.on(‘data‘, function (chunk) {
23             console.log(‘BODY: ‘ + chunk);
24         });
25     });
26     req.on(‘error‘, function (e) {
27         console.log(‘problem with request: ‘ + e.message);
28     });
29     
30     req.write(data);
31     req.end();
32     }catch(e){
33         console.log("错误信息:"+e);
34     }
35     console.log("转发操作结束");
36 }

做完以上工作,接下来就是按自己业务来完成服务端代码了,我们的服务用于接收代理服务器发过来的数据进行处理,进行持久化操作,同时向代理服务器发送需要注入到微信的js代码。针对代理服务器拦截到的几种不同链接发来的数据,我们就需要设计相应的方法来处理这些数据。从anyproxy处理微信数据的js方法replaceServerResDataAsync: function(req,res,serverResData,callback)中,我们可以知道至少需要对公众号历史页数据、公众号文章页数据、公众号文章点赞量和阅读量数据设计三种方法来处理。同时我们还需要设计一个方法来生成爬取任务,完成公众号的轮寻爬取。如果需要爬取更多数据,可以从anyproxy抓取到的链接中分析出更多需要的数据,然后往replaceServerResDataAsync: function(req,res,serverResData,callback)中添加判定,拦截到需要的数据发送到自己的服务器,相应的在服务端添加方法处理该类数据就行了。

我是用java写的服务端代码。

处理公众号历史页数据方法:

public void getMsgJson(String str ,String url) throws UnsupportedEncodingException {
        // TODO Auto-generated method stub
        String biz = "";
        Map<String,String> queryStrs = HttpUrlParser.parseUrl(url);
        if(queryStrs != null){
            biz = queryStrs.get("__biz");
            biz = biz + "==";
        }
        /**
         * 从数据库中查询biz是否已经存在,如果不存在则插入,
         * 这代表着我们新添加了一个采集目标公众号。
         */
        List<WeiXin> results = weiXinMapper.selectByBiz(biz);
        if(results == null || results.size() == 0){
            WeiXin weiXin = new WeiXin();
            weiXin.setBiz(biz);
            weiXin.setCollect(System.currentTimeMillis());
            weiXinMapper.insert(weiXin);
        }
        //System.out.println(str);
        //解析str变量
        List<Object> lists = JsonPath.read(str, "[‘list‘]");
        for(Object list : lists){
            Object json = list;
            int type = JsonPath.read(json, "[‘comm_msg_info‘][‘type‘]");
            if(type == 49){//type=49表示是图文消息
                String content_url = JsonPath.read(json, "$.app_msg_ext_info.content_url");
                content_url = content_url.replace("\\", "").replaceAll("amp;", "");//获得图文消息的链接地址
                int is_multi = JsonPath.read(json, "$.app_msg_ext_info.is_multi");//是否是多图文消息
                Integer datetime = JsonPath.read(json, "$.comm_msg_info.datetime");//图文消息发送时间
                /**
                 * 在这里将图文消息链接地址插入到采集队列库tmplist中
                 * (队列库将在后文介绍,主要目的是建立一个批量采集队列,
                 * 另一个程序将根据队列安排下一个采集的公众号或者文章内容)
                 */
                try{
                    if(content_url != null && !"".equals(content_url)){
                        TmpList tmpList = new TmpList();
                        tmpList.setContentUrl(content_url);
                        tmpListMapper.insertSelective(tmpList);
                    }
                }catch(Exception e){
                    System.out.println("队列已存在,不插入!");
                }
                
                /**
                 * 在这里根据$content_url从数据库post中判断一下是否重复
                 */
                List<Post> postList = postMapper.selectByContentUrl(content_url);
                boolean contentUrlExist = false;
                if(postList != null && postList.size() != 0){
                    contentUrlExist = true;
                }
            
                
                if(!contentUrlExist){//‘数据库post中不存在相同的$content_url‘
                    Integer fileid = JsonPath.read(json, "$.app_msg_ext_info.fileid");//一个微信给的id
                    String title = JsonPath.read(json, "$.app_msg_ext_info.title");//文章标题
                    String title_encode = URLEncoder.encode(title, "utf-8");
                    String digest = JsonPath.read(json, "$.app_msg_ext_info.digest");//文章摘要
                    String source_url = JsonPath.read(json, "$.app_msg_ext_info.source_url");//阅读原文的链接
                    source_url = source_url.replace("\\", "");
                    String cover = JsonPath.read(json, "$.app_msg_ext_info.cover");//封面图片
                    cover = cover.replace("\\", "");
                    /**
                     * 存入数据库
                     */
//                    System.out.println("头条标题:"+title);
//                    System.out.println("微信ID:"+fileid);
//                    System.out.println("文章摘要:"+digest);
//                    System.out.println("阅读原文链接:"+source_url);
//                    System.out.println("封面图片地址:"+cover);                    
                    
                    Post post = new Post();
                    post.setBiz(biz);
                    post.setTitle(title);
                    post.setTitleEncode(title_encode);
                    post.setFieldId(fileid);
                    post.setDigest(digest);
                    post.setSourceUrl(source_url);
                    post.setCover(cover);
                    post.setIsTop(1);//标记一下是头条内容
                    post.setIsMulti(is_multi);
                    post.setDatetime(datetime);
                    post.setContentUrl(content_url);
                    
                    postMapper.insert(post);
                }
            
                if(is_multi == 1){//如果是多图文消息
                    List<Object> multiLists = JsonPath.read(json, "[‘app_msg_ext_info‘][‘multi_app_msg_item_list‘]");
                    for(Object multiList : multiLists){
                        Object multiJson = multiList;                    
                        content_url = JsonPath.read(multiJson, "[‘content_url‘]").toString().replace("\\", "").replaceAll("amp;", "");//图文消息链接地址
                        /**
                         * 这里再次根据$content_url判断一下数据库中是否重复以免出错
                         */
                        contentUrlExist = false;
                        List<Post> posts = postMapper.selectByContentUrl(content_url);
                        if(posts != null && posts.size() != 0){
                            contentUrlExist = true;
                        }
                        if(!contentUrlExist){//‘数据库中不存在相同的$content_url‘
                            /**
                             * 在这里将图文消息链接地址插入到采集队列库中
                             * (队列库将在后文介绍,主要目的是建立一个批量采集队列,
                             * 另一个程序将根据队列安排下一个采集的公众号或者文章内容)
                             */
                            if(content_url != null && !"".equals(content_url)){
                                TmpList tmpListT = new TmpList();
                                tmpListT.setContentUrl(content_url);
                                tmpListMapper.insertSelective(tmpListT);
                            }
                            
                            String title = JsonPath.read(multiJson, "$.title");
                            String title_encode = URLEncoder.encode(title, "utf-8");
                            Integer fileid = JsonPath.read(multiJson, "$.fileid");
                            String digest = JsonPath.read(multiJson, "$.digest");
                            String source_url = JsonPath.read(multiJson, "$.source_url");
                            source_url = source_url.replace("\\", "");
                            String cover = JsonPath.read(multiJson, "$.cover");
                            cover = cover.replace("\\", "");                        
//                            System.out.println("标题:"+title);
//                            System.out.println("微信ID:"+fileid);
//                            System.out.println("文章摘要:"+digest);
//                            System.out.println("阅读原文链接:"+source_url);
//                            System.out.println("封面图片地址:"+cover);                            
                            Post post = new Post();
                            post.setBiz(biz);
                            post.setTitle(title);
                            post.setTitleEncode(title_encode);
                            post.setFieldId(fileid);
                            post.setDigest(digest);
                            post.setSourceUrl(source_url);
                            post.setCover(cover);
                            post.setIsTop(0);//标记一下不是头条内容
                            post.setIsMulti(is_multi);
                            post.setDatetime(datetime);
                            post.setContentUrl(content_url);
                            
                            postMapper.insert(post);
                            
                        }
                    }
                }            
            }        
        }
    }

 

处理公众号文章页的方法:

public String getWxPost() {
        // TODO Auto-generated method stub
        /**
         * 当前页面为公众号文章页面时,读取这个程序
         * 首先删除采集队列表中load=1的行
         * 然后从队列表中按照“order by id asc”选择多行(注意这一行和上面的程序不一样)
         */
        tmpListMapper.deleteByLoad(1);
        List<TmpList> queues = tmpListMapper.selectMany(5);
        String url = "";
        if(queues != null && queues.size() != 0 && queues.size() > 1){
            TmpList queue = queues.get(0);
            url = queue.getContentUrl();
            queue.setIsload(1);
            int result = tmpListMapper.updateByPrimaryKey(queue);
            System.out.println("update result:"+result);
        }else{
            System.out.println("getpost queues is null?"+queues==null?null:queues.size());
            WeiXin weiXin = weiXinMapper.selectOne();
            String biz = weiXin.getBiz();
            if((Math.random()>0.5?1:0) == 1){
                url = "http://mp.weixin.qq.com/mp/getmasssendmsg?__biz=" + biz + 
                        "#wechat_webview_type=1&wechat_redirect";//拼接公众号历史消息url地址(第一种页面形式)
            }else{
                url = "https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=" + biz + 
                        "#wechat_redirect";//拼接公众号历史消息url地址(第二种页面形式)
            }
            url = "https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=" + biz + 
                    "#wechat_redirect";//拼接公众号历史消息url地址(第二种页面形式)
            //更新刚才提到的公众号表中的采集时间time字段为当前时间戳。
            weiXin.setCollect(System.currentTimeMillis());
            int result = weiXinMapper.updateByPrimaryKey(weiXin);
            System.out.println("getPost weiXin updateResult:"+result);
        }
        int randomTime = new Random().nextInt(3) + 3;
        String jsCode = "<script>setTimeout(function(){window.location.href=‘"+url+"‘;},"+randomTime*1000+");</script>";
        return jsCode;
        
    }

 

处理公众号点赞量和阅读量的方法:

public void getMsgExt(String str,String url) {
        // TODO Auto-generated method stub
        String biz = "";
        String sn = "";
        Map<String,String> queryStrs = HttpUrlParser.parseUrl(url);
        if(queryStrs != null){
            biz = queryStrs.get("__biz");
            biz = biz + "==";
            sn = queryStrs.get("sn");
            sn = "%" + sn + "%";
        }
        /**
         * $sql = "select * from `文章表` where `biz`=‘".$biz."‘
         * and `content_url` like ‘%".$sn."%‘" limit 0,1;
         * 根据biz和sn找到对应的文章
         */
        Post post = postMapper.selectByBizAndSn(biz, sn);
        
        if(post == null){
            System.out.println("biz:"+biz);
            System.out.println("sn:"+sn);
            tmpListMapper.deleteByLoad(1);
            return;
        }
        
//        System.out.println("json数据:"+str);
        Integer read_num;
        Integer like_num;
        try{
            read_num = JsonPath.read(str, "[‘appmsgstat‘][‘read_num‘]");//阅读量
            like_num  = JsonPath.read(str, "[‘appmsgstat‘][‘like_num‘]");//点赞量
        }catch(Exception e){
            read_num = 123;//阅读量
            like_num  = 321;//点赞量
            System.out.println("read_num:"+read_num);
            System.out.println("like_num:"+like_num);
            System.out.println(e.getMessage());
        }        
        
        /**
         * 在这里同样根据sn在采集队列表中删除对应的文章,代表这篇文章可以移出采集队列了
         * $sql = "delete from `队列表` where `content_url` like ‘%".$sn."%‘" 
         */
        tmpListMapper.deleteBySn(sn);
        
        //然后将阅读量和点赞量更新到文章表中。
        post.setReadnum(read_num);
        post.setLikenum(like_num);
        postMapper.updateByPrimaryKey(post);
        
    }

 

处理跳转向微信注入js的方法:

public String getWxHis() {
        String url = "";
        // TODO Auto-generated method stub
        /**
         * 当前页面为公众号历史消息时,读取这个程序
         * 在采集队列表中有一个load字段,当值等于1时代表正在被读取
         * 首先删除采集队列表中load=1的行
         * 然后从队列表中任意select一行
         */
        tmpListMapper.deleteByLoad(1);
        TmpList queue = tmpListMapper.selectRandomOne();
        System.out.println("queue is null?"+queue);
        if(queue == null){//队列表为空
            /**
             * 队列表如果空了,就从存储公众号biz的表中取得一个biz,
             * 这里我在公众号表中设置了一个采集时间的time字段,按照正序排列之后,
             * 就得到时间戳最小的一个公众号记录,并取得它的biz
             */
            WeiXin weiXin = weiXinMapper.selectOne();
            
            String biz = weiXin.getBiz();
            url = "https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=" + biz + 
                    "#wechat_redirect";//拼接公众号历史消息url地址(第二种页面形式)
            //更新刚才提到的公众号表中的采集时间time字段为当前时间戳。
            weiXin.setCollect(System.currentTimeMillis());
            int result = weiXinMapper.updateByPrimaryKey(weiXin);
            System.out.println("getHis weiXin updateResult:"+result);
        }else{
            //取得当前这一行的content_url字段
            url = queue.getContentUrl();
            //将load字段update为1
            tmpListMapper.updateByContentUrl(url);
        }
        //将下一个将要跳转的$url变成js脚本,由anyproxy注入到微信页面中。
        //echo "<script>setTimeout(function(){window.location.href=‘".$url."‘;},2000);</script>";
        int randomTime = new Random().nextInt(3) + 3;
        String jsCode = "<script>setTimeout(function(){window.location.href=‘"+url+"‘;},"+randomTime*1000+");</script>";
        return jsCode;
    }

以上就是对处理代理服务器拦截到的数据进行处理的程序。这里有一个需要注意的问题,程序会对数据库中的每个收录的公众号进行轮循访问,甚至是已经存储的文章也会再次访问,目的是为了一直更新文章的阅读数和点赞数。如果需要抓取大量的公众号建议对添加任务队列的代码进行修改,添加条件限制,否则公众号一多 轮循抓取重复数据将十分影响效率。

至此就将微信公众号的文章链接全部爬取到,而且这个链接是永久有效而且可以在浏览器打开的链接,接下来就是写爬虫程序从数据库中拿链接爬取文章内容等信息了。

我是用webmagic写的爬虫,轻量好用。

public class SpiderModel implements PageProcessor{
    
    private static PostMapper postMapper;
    
    private static List<Post> posts;
    
    // 抓取网站的相关配置,包括编码、抓取间隔、重试次数等
    private Site site = Site.me().setRetryTimes(3).setSleepTime(100);
    
    public Site getSite() {
        // TODO Auto-generated method stub
        return this.site;
    }
    
    public void process(Page page) {
        // TODO Auto-generated method stub
        Post post = posts.remove(0);
        String content = page.getHtml().xpath("//div[@id=‘js_content‘]").get();
        //存在和谐文章 此处做判定如果有直接删除记录或设置表示位表示文章被和谐
        if(content == null){
            System.out.println("文章已和谐!");
            //postMapper.deleteByPrimaryKey(post.getId());
            return;
        }
        String contentSnap = content.replaceAll("data-src", "src").replaceAll("preview.html", "player.html");//快照
        String contentTxt = HtmlToWord.stripHtml(content);//纯文本内容
        
        Selectable metaContent = page.getHtml().xpath("//div[@id=‘meta_content‘]");
        String pubTime = null;
        String wxname = null;
        String author = null;
        if(metaContent != null){
            pubTime = metaContent.xpath("//em[@id=‘post-date‘]").get();
            if(pubTime != null){
                pubTime = HtmlToWord.stripHtml(pubTime);//文章发布时间
            }
            wxname = metaContent.xpath("//a[@id=‘post-user‘]").get();
            if(wxname != null){
                wxname = HtmlToWord.stripHtml(wxname);//公众号名称
            }
            author = metaContent.xpath("//em[@class=‘rich_media_meta rich_media_meta_text‘ and @id!=‘post-date‘]").get();
            if(author != null){
                author = HtmlToWord.stripHtml(author);//文章作者
            }
        }
        
//        System.out.println("发布时间:"+pubTime);
//        System.out.println("公众号名称:"+wxname);
//        System.out.println("文章作者:"+author);
        
        String title = post.getTitle().replaceAll("&nbsp;", "");//文章标题
        String digest = post.getDigest();//文章摘要
        int likeNum = post.getLikenum();//文章点赞数
        int readNum = post.getReadnum();//文章阅读数
        String contentUrl = post.getContentUrl();//文章链接
        
        WechatInfoBean wechatBean = new WechatInfoBean();
        wechatBean.setTitle(title);
        wechatBean.setContent(contentTxt);//纯文本内容
        wechatBean.setSourceCode(contentSnap);//快照
        wechatBean.setLikeCount(likeNum);
        wechatBean.setViewCount(readNum);
        wechatBean.setAbstractText(digest);//摘要
        wechatBean.setUrl(contentUrl);
        wechatBean.setPublishTime(pubTime);
        wechatBean.setSiteName(wxname);//站点名称 公众号名称
        wechatBean.setAuthor(author);
        wechatBean.setMediaType("微信公众号");//来源媒体类型
        
        WechatStorage.saveWechatInfo(wechatBean);
        
        //标示文章已经被爬取
        post.setIsSpider(1);
        postMapper.updateByPrimaryKey(post);
        
    }    
    
    public static void startSpider(List<Post> inposts,PostMapper myPostMapper,String... urls){
        
        long startTime, endTime;
        startTime = System.currentTimeMillis();
        postMapper = myPostMapper;
        posts = inposts;
        
        HttpClientDownloader httpClientDownloader = new HttpClientDownloader();        
        SpiderModel spiderModel = new SpiderModel();
        Spider mySpider = Spider.create(spiderModel).addUrl(urls);
        mySpider.setDownloader(httpClientDownloader);
        try {
            SpiderMonitor.instance().register(mySpider);
            mySpider.thread(1).run();
        } catch (JMException e) {
            e.printStackTrace();
        }
        
        endTime = System.currentTimeMillis();
        System.out.println("爬取时间" + ((endTime - startTime) / 1000) + "秒--");
        
    }
    
}

其它的一些无关逻辑的存储数据代码就不贴了,这里我把代理服务器抓取到的数据存在了mysql,把自己的爬虫程序爬到的数据存储在了mongodb。

下面是自己爬取到的公众号号的信息:

技术分享图片

 

技术分享图片

 

微信公众号批量爬取java版

标签:monitor   细节   cli   下载地址   gis   lists   选择   环境   它的   

原文地址:http://www.cnblogs.com/luojiangwen/p/7943696.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!