简单使用Scala和Jsoup对豆瓣电影进行爬虫,技术比較简单易学。
写文章不易,欢迎大家採我的文章,以及给出实用的评论,当然大家也能够关注一下我的github;多谢。
1、爬虫前期准备
- 找好须要抓取的链接:https://movie.douban.com/tag/%E7%BB%8F%E5%85%B8?start=20&type=T
- 观看该链接的源代码,找到须要进行解析的地方如本实例:图中标明了须要提取的字段。
- 下载Jsoup的jar包文件:https://jsoup.org/download
- 建立Scalaproject,并将Jsoup的jar包增加project
2、Jsoup简介:
Jsoup学习请看这个网址:jsoup Cookbook(中文版):http://www.open-open.com/jsoup/
我这里仅仅介绍我用到了的四个函数:
1、第一个函数:Jsoup.connect(url)
val doc:Document=Jsoup.connect(url).get()//从一个站点获取和解析一个HTML文档,使用get方式。
说的直白点这里获得的就是网页的源代码; //特殊使用:带有參数并使用Post方式 Document doc = Jsoup.connect("http://example.com") .data("query", "Java") .userAgent("Mozilla") .cookie("auth", "token") .timeout(3000) .post(); 2、第二个函数:Element.select(String selector) doc.select("a.nbg")//通过使用CSS(或Jquery)selector syntax 获得你想要操作元素,这里获得的是说有class=nbg的<a/>标签。
3、第三个函数:public String attr(String attributeKey) Elements中的attr函数是通过属性获得Element中第一个匹配该属性的值。如elem.select("a.nbg").attr("title"):获得a标签中的title。 4、第四个函数:public String html() 获得element中包括的Html内容
3、解析Html:
这里的Html内容比較简单。仅仅须要获得如图一中标记的四处。这里仅仅要用到第二章中的后面三个方法。
//解析Document,须要对比网页源代码进行解析
def parseDoc(doc: Document, movies: ConcurrentHashMap[String, String]) = {var count = 0for (elem <- doc.select("tr.item")) {//获得全部的电影条目movies.put(elem.select("a.nbg").attr("title"), elem.select("a.nbg").attr("title") + "\t" //标题+ elem.select("a.nbg").attr("href") + "\t" //豆瓣链接// +elem.select("p.pl").html+"\t"//简介+ elem.select("span.rating_nums").html + "\t" //评分+ elem.select("span.pl").html //评论数)count += 1}count
}
4、建立连接获得相应Url的Html
这里使用了Scala中的Try语法,我这里仅仅简单说明,当Jsoup.connect(url).get()
返回异常时模式匹配会匹配Failure(e)并将异常赋值给模板类中的e。当返回成功时将匹配Success(doc),并将获得的Html的Document赋值给doc。
//用于记录总数。和失败次数
val sum, fail: AtomicInteger = new AtomicInteger(0)
/*** 当出现异常时10s后重试,异常反复100次* @param delay:延时时间* @param url:抓取的Url* @param movies:存取抓到的内容*/
def requestGetUrl(times: Int = 100, delay: Long = 10000)(url: String, movies: ConcurrentHashMap[String, String]): Unit = {Try(Jsoup.connect(url).get()) match {//使用try来推断是否成功和失败对网页进行抓取case Failure(e) =>if (times != 0) {println(e.getMessage)fail.addAndGet(1)Thread.sleep(delay)requestGetUrl(times - 1, delay)(url, movies)} else throw ecase Success(doc) =>val count = parseDoc(doc, movies);if (count == 0) {Thread.sleep(delay);requestGetUrl(times - 1, delay)(url, movies)}sum.addAndGet(count);}
}
5、使用并发集合
为了加快住区速度使用了Scala中的并发集合:par。相似于java中的fork/join框架;
/*** 多线程抓取* @param url:原始的Url* @param tag:电影标签* @param maxPage:页数* @param threadNum:线程数* @param movies:并发集合存取抓到的内容*/
def concurrentCrawler(url: String, tag: String, maxPage: Int, threadNum: Int, movies: ConcurrentHashMap[String, String]) = {val loopPar = (0 to maxPage).parloopPar.tasksupport = new ForkJoinTaskSupport(new ForkJoinPool(threadNum)) // 设置并发线程数loopPar.foreach(i => requestGetUrl()(url.format(URLEncoder.encode(tag, "UTF-8"), 20 * i), movies)) // 利用并发集合多线程同步抓取:遍历全部页saveFile1(tag, movies)//保存为文件
}
6、运行任务:
想要进行爬虫仅仅须要这样调用concurrentCrawler(URL, tag, page, Thread_Num, new ConcurrentHashMapString, String)函数即可。
def main(args: Array[String]): Unit = {val Thread_Num = 30 //指定并发运行线程数val t1 = System.currentTimeMillisfor ((tag, page) <- tags)concurrentCrawler(URL, tag, page, Thread_Num, new ConcurrentHashMap[String, String]())//并发抓取val t2 = System.currentTimeMillisprintln(s"抓取数:$sum 重试数:$fail 耗时(秒):" + (t2 - t1) / 1000)}
}
运行结果:
抓取数:793 重试数:0 耗时(秒):4
本文来自伊豚wpeace(blog.wpeace.cn)
7、全部代码:
import java.io.{File, PrintWriter}
import java.net.URLEncoder
import java.text.SimpleDateFormat
import java.util.Date
import java.util.concurrent.ConcurrentHashMap
import java.util.concurrent.atomic.AtomicIntegerimport org.jsoup.Jsoup
import org.jsoup.nodes.Documentimport scala.collection.JavaConversions._
import scala.collection.mutable.ArrayBuffer
import scala.collection.parallel.ForkJoinTaskSupport
import scala.concurrent.forkjoin.ForkJoinPool
import scala.util.{Failure, Success, Try}/*** Created by peace on 2017/3/5.*/
object Douban {val URL = "https://movie.douban.com/tag/%s?
start=%d&type=T"
//訪问的链接 //须要抓取的标签和页数 val tags = Map( "经典" -> 4, //tag,页数 "爱情" -> 4, "动作" -> 4, "剧情" -> 4, "悬疑" -> 4, "文艺" -> 4, "搞笑" -> 4, "战争" -> 4 ) //解析Document,须要对比网页源代码进行解析 def parseDoc(doc: Document, movies: ConcurrentHashMap[String, String]) = { var count = 0 for (elem <- doc.select("tr.item")) { movies.put(elem.select("a.nbg").attr("title"), elem.select("a.nbg").attr("title") + "\t" //标题 + elem.select("a.nbg").attr("href") + "\t" //豆瓣链接 // +elem.select("p.pl").html+"\t"//简介 + elem.select("span.rating_nums").html + "\t" //评分 + elem.select("span.pl").html //评论数 ) count += 1 } count } //用于记录总数。和失败次数 val sum, fail: AtomicInteger = new AtomicInteger(0) /** * 当出现异常时10s后重试,异常反复100次 * @param delay:延时时间 * @param url:抓取的Url * @param movies:存取抓到的内容 */ def requestGetUrl(times: Int = 100, delay: Long = 10000)(url: String, movies: ConcurrentHashMap[String, String]): Unit = { Try(Jsoup.connect(url).get()) match {//使用try来推断是否成功和失败对网页进行抓取 case Failure(e) => if (times != 0) { println(e.getMessage) fail.addAndGet(1) Thread.sleep(delay) requestGetUrl(times - 1, delay)(url, movies) } else throw e case Success(doc) => val count = parseDoc(doc, movies); if (count == 0) { Thread.sleep(delay); requestGetUrl(times - 1, delay)(url, movies) } sum.addAndGet(count); } } /** * 多线程抓取 * @param url:原始的Url * @param tag:电影标签 * @param maxPage:页数 * @param threadNum:线程数 * @param movies:并发集合存取抓到的内容 */ def concurrentCrawler(url: String, tag: String, maxPage: Int, threadNum: Int, movies: ConcurrentHashMap[String, String]) = { val loopPar = (0 to maxPage).par loopPar.tasksupport = new ForkJoinTaskSupport(new ForkJoinPool(threadNum)) // 设置并发线程数 loopPar.foreach(i => requestGetUrl()(url.format(URLEncoder.encode(tag, "UTF-8"), 20 * i), movies)) // 利用并发集合多线程同步抓取:遍历全部页 saveFile1(tag, movies) } //直接输出 def saveFile(file: String, movies: ConcurrentHashMap[String, String]) = { val writer = new PrintWriter(new File(new SimpleDateFormat("yyyyMMdd").format(new Date()) + "_" + file ++ ".txt")) for ((_, value) <- movies) writer.println(value) writer.close() } // 排序输出到文件 def saveFile1(file: String, movies: ConcurrentHashMap[String, String]) = { val writer = new PrintWriter(new File(new SimpleDateFormat("yyyyMMdd").format(new Date()) + "_" + file ++ ".txt")) val col = new ArrayBuffer[String](); for ((_, value) <- movies) col += value; val sort = col.sortWith( (o1, o2) => { val s1 = o1.split("\t")(2); val s2 = o2.split("\t")(2); if (s1 == null || s2 == null || s1.isEmpty || s2.isEmpty) { true } else { s1.toFloat > s2.toFloat } } ) sort.foreach(writer.println(_)) writer.close() } def main(args: Array[String]): Unit = { val Thread_Num = 30 //指定并发运行线程数 val t1 = System.currentTimeMillis for ((tag, page) <- tags) concurrentCrawler(URL, tag, page, Thread_Num, new ConcurrentHashMap[String, String]())//并发抓取 val t2 = System.currentTimeMillis println(s"抓取数:$sum 重试数:$fail 耗时(秒):" + (t2 - t1) / 1000) } }