码迷,mamicode.com
首页 > Web开发 > 详细

基于lucene的案例开发:纵横小说简介页采集

时间:2015-04-03 11:17:15      阅读:262      评论:0      收藏:0      [点我收藏+]

标签:java   lucene   纵横小说   爬虫   网络爬虫   

转载请注明出处:http://blog.csdn.net/xiaojimanman/article/details/44851419

http://www.llwjy.com/blogdetail/1b5ae17c513d127838c2e02102b5bb87.html

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

      在上一篇博客中,我们已经对纵横中文小说的更新列表页做了简单的采集,获得了小说简介页的URL,因此这篇博客我们就介绍纵横中文小说简介页信息的采集,事例地址:http://book.zongheng.com/book/362857.html


页面分析

      在开始之前,建议个人先看一下简介页的样子,下图只是我们要采集的信息所在的区域。

技术分享

      在这一部分,我们需要获取书名、作者名、分类、字数、简介、最新章节名、章节页URL和标签等信息。在页面上,我们通过鼠标右键--查看网页源代码 发现下面一个现象

技术分享

      纵横小说为了做360的seo,把小说的一些关键信息放到head中,这样就大大减少我们下正则的复杂度,由于这几个正则大同小异,所以就只用书名做简单的介绍,其余的正则可以参照后面的源代码。 这里的书名在上述截图中的33行,我们需要提取中间的 飞仙诀 信息,因此我们提取该信息的正则表达式为” <meta name="og:novel:book_name" content="(.*?)"/> “ ,其他信息和此正则类似。通过上图这部分源代码我们可以轻易的获取书名、作者名、最新章节、简介、分类和章节列表页URL,对于标签和字数这两个字段,我们就需要继续分析下面的源代码。通过简单的查找,我们可以找到下图中的源代码,这里就包含我们需要的字数和标签两个属性。

技术分享

      对于字数这个属性,我们可以通过简单的正则表达式 ” <span itemprop="wordCount">(\d*?)</span> “ 获取,而对于标签这个属性,我们需要通过两步才能得到想要的内容。

第一步:获取keyword所在的html代码,也就是上图中的234行,这一步的正则表达式为 ” <div class="keyword">(.*?)</div> “;

第二步:对第一步获得的部分html做进一步提取,获取想要的内容,这一步的正则表达式为 ” <a.*?>(.*?)</a> “。


代码实现

      对于非更新列表也的网页信息采集,我们统一继承CrawlBase类,对于如何伪装可以参照上一篇博客,这里就重点介绍DoRegex类中的两个方法

方法一:

String getFirstString(String dealStr, String regexStr, int n)
      这里的第一个参数是要处理的字符串,这里也就是网页源代码,第二个参数是要查找内容的正则表达式,第三个参数是要提取的内容在正则表达式中的位置,函数的功能是从指定的字符串中查找与正则第一个匹配的内容,返回指定的提取信息。

方法二:

String getString(String dealStr, String regexStr, String splitStr, int n)
      这里的第1、2、4参数分别对应方法一中的第1、2、3参数,参数splitStr的意义是分隔符,函数的功能是在指定的字符串中查找与正则表达式匹配的内容,之间用指定的分隔符隔开。


运行结果

技术分享


源代码

      通过对上面两个方法的介绍,相信对于下面的源代码也会很简单。

 /**  
 *@Description:  简介页
 */ 
package com.lulei.crawl.novel.zongheng;  

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

import com.lulei.crawl.CrawlBase;
import com.lulei.util.DoRegex;
import com.lulei.util.ParseUtil;
  
public class IntroPage extends CrawlBase {
	private static final String NAME = "<meta name=\"og:novel:book_name\" content=\"(.*?)\"/> ";
	private static final String AUTHOR = "<meta name=\"og:novel:author\" content=\"(.*?)\"/> ";
	private static final String DESC = "<meta property=\"og:description\" content=\"(.*?)\"/> ";
	private static final String TYPE = "<meta name=\"og:novel:category\" content=\"(.*?)\"/> ";
	private static final String LATESTCHAPTER = "<meta name=\"og:novel:latest_chapter_name\" content=\"(.*?)\"/> ";
	private static final String CHAPTERLISTURL = "<meta name=\"og:novel:read_url\" content=\"(.*?)\"/> ";
	private static final String WORDCOUNT = "<span itemprop=\"wordCount\">(\\d*?)</span>";
	private static final String KEYWORDS = "<div class=\"keyword\">(.*?)</div>";
	private static final String KEYWORD = "<a.*?>(.*?)</a>";
	private String pageUrl;
	
	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 IntroPage(String url) throws IOException {
		readPageByGet(url, "utf-8", params);
		this.pageUrl = url;
	}
	
	/**
	 * @return
	 * @Author:lulei  
	 * @Description: 获取书名
	 */
	private String getName() {
		return DoRegex.getFirstString(getPageSourceCode(), NAME, 1);
	}
	
	/**
	 * @return
	 * @Author:lulei  
	 * @Description: 获取作者名
	 */
	private String getAuthor() {
		return DoRegex.getFirstString(getPageSourceCode(), AUTHOR, 1);
	}
	
	/**
	 * @return
	 * @Author:lulei  
	 * @Description: 书籍简介
	 */
	private String getDesc() {
		return DoRegex.getFirstString(getPageSourceCode(), DESC, 1);
	}
	
	/**
	 * @return
	 * @Author:lulei  
	 * @Description: 书籍分类
	 */
	private String getType() {
		return DoRegex.getFirstString(getPageSourceCode(), TYPE, 1);
	}
	
	/**
	 * @return
	 * @Author:lulei  
	 * @Description: 最新章节
	 */
	private String getLatestChapter() {
		return DoRegex.getFirstString(getPageSourceCode(), LATESTCHAPTER, 1);
	}
	
	/**
	 * @return
	 * @Author:lulei  
	 * @Description: 章节列表页Url
	 */
	private String getChapterListUrl() {
		return DoRegex.getFirstString(getPageSourceCode(), CHAPTERLISTURL, 1);
	}
	
	/**
	 * @return
	 * @Author:lulei  
	 * @Description: 字数
	 */
	private int getWordCount() {
		String wordCount = DoRegex.getFirstString(getPageSourceCode(), WORDCOUNT, 1);
		return ParseUtil.parseStringToInt(wordCount, 0);
	}
	
	/**
	 * @return
	 * @Author:lulei  
	 * @Description: 标签
	 */
	private String keyWords() {
		String keyHtml = DoRegex.getFirstString(getPageSourceCode(), KEYWORDS, 1);
		return DoRegex.getString(keyHtml, KEYWORD, " ", 1);
	}

	public static void main(String[] args) throws IOException {
		// TODO Auto-generated method stub  
		IntroPage intro = new IntroPage("http://book.zongheng.com/book/362857.html");
		System.out.println(intro.pageUrl);
		System.out.println(intro.getName());
		System.out.println(intro.getAuthor());
		System.out.println(intro.getDesc());
		System.out.println(intro.getType());
		System.out.println(intro.getLatestChapter());
		System.out.println(intro.getChapterListUrl());
		System.out.println(intro.getWordCount());
		System.out.println(intro.keyWords());
	}

}

----------------------------------------------------------------------------------------------------
ps:最近发现其他网站可能会对博客转载,上面并没有源链接,如想查看更多关于 基于lucene的案例开发点击这里。或访问网址http://blog.csdn.net/xiaojimanman/article/category/2841877 或 http://www.llwjy.com/blogtype/lucene.html

基于lucene的案例开发:纵横小说简介页采集

标签:java   lucene   纵横小说   爬虫   网络爬虫   

原文地址:http://blog.csdn.net/xiaojimanman/article/details/44851419

(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!