首页 > 编程 > Java > 正文

Java爬虫抓取视频网站下载链接

2019-11-26 13:41:40
字体:
来源:转载
供稿:网友

本篇文章抓取目标网站的链接的基础上,进一步提高难度,抓取目标页面上我们所需要的内容并保存在数据库中。这里的测试案例选用了一个我常用的电影下载网站(http://www.80s.la/)。本来是想抓取网站上的所有电影的下载链接,后来感觉需要的时间太长,因此改成了抓取2015年电影的下载链接。

一 原理简介

其实原理都跟第一篇文章差不多,不同的是鉴于这个网站的分类列表实在太多,如果不对这些标签加以取舍的话,需要花费的时间难以想象。

分类链接和标签链接都不要,不通过这些链接去爬取其他页面,只通过页底的所有类型电影的分页去获取其他页面的电影列表即可。同时,对于电影详情页面,仅仅只是抓取其中的电影标题和迅雷下载链接,并不进行深层次的爬行,详情页面的一些推荐电影等链接通通不要。

最后就是将所有获取到的电影的下载链接保存在videoLinkMap这个集合中,通过遍历这个集合将数据保存到MySQL里

二 代码实现

实现原理已经在上面说了,并且代码中有详细注释,因此这里就不多说了,代码如下:

package action;import java.io.BufferedReader;import java.io.IOException;import java.io.InputStream;import java.io.InputStreamReader;import java.net.HttpURLConnection;import java.net.MalformedURLException;import java.net.URL;import java.sql.Connection;import java.sql.PreparedStatement;import java.sql.SQLException;import java.util.LinkedHashMap;import java.util.Map;import java.util.regex.Matcher;import java.util.regex.Pattern; public class VideoLinkGrab {   public static void main(String[] args) {    VideoLinkGrab videoLinkGrab = new VideoLinkGrab();    videoLinkGrab.saveData("http://www.80s.la/movie/list/-2015----p");  }   /**   * 将获取到的数据保存在数据库中   *    * @param baseUrl   *      爬虫起点   * @return null   * */  public void saveData(String baseUrl) {    Map<String, Boolean> oldMap = new LinkedHashMap<String, Boolean>(); // 存储链接-是否被遍历     Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 视频下载链接    String oldLinkHost = ""; // host     Pattern p = Pattern.compile("(https?://)?[^///s]*"); // 比如:http://www.zifangsky.cn    Matcher m = p.matcher(baseUrl);    if (m.find()) {      oldLinkHost = m.group();    }     oldMap.put(baseUrl, false);    videoLinkMap = crawlLinks(oldLinkHost, oldMap);    // 遍历,然后将数据保存在数据库中    try {      Connection connection = JDBCDemo.getConnection();      for (Map.Entry<String, String> mapping : videoLinkMap.entrySet()) {        PreparedStatement pStatement = connection            .prepareStatement("insert into movie(MovieName,MovieLink) values(?,?)");        pStatement.setString(1, mapping.getKey());        pStatement.setString(2, mapping.getValue());        pStatement.executeUpdate();        pStatement.close();//       System.out.println(mapping.getKey() + " : " + mapping.getValue());      }      connection.close();    } catch (SQLException e) {      e.printStackTrace();    }  }   /**   * 抓取一个网站所有可以抓取的网页链接,在思路上使用了广度优先算法 对未遍历过的新链接不断发起GET请求, 一直到遍历完整个集合都没能发现新的链接   * 则表示不能发现新的链接了,任务结束   *    * 对一个链接发起请求时,对该网页用正则查找我们所需要的视频链接,找到后存入集合videoLinkMap   *    * @param oldLinkHost   *      域名,如:http://www.zifangsky.cn   * @param oldMap   *      待遍历的链接集合   *    * @return 返回所有抓取到的视频下载链接集合   * */  private Map<String, String> crawlLinks(String oldLinkHost,      Map<String, Boolean> oldMap) {    Map<String, Boolean> newMap = new LinkedHashMap<String, Boolean>(); // 每次循环获取到的新链接    Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 视频下载链接    String oldLink = "";     for (Map.Entry<String, Boolean> mapping : oldMap.entrySet()) {      // System.out.println("link:" + mapping.getKey() + "--------check:"      // + mapping.getValue());      // 如果没有被遍历过      if (!mapping.getValue()) {        oldLink = mapping.getKey();        // 发起GET请求        try {          URL url = new URL(oldLink);          HttpURLConnection connection = (HttpURLConnection) url              .openConnection();          connection.setRequestMethod("GET");          connection.setConnectTimeout(2500);          connection.setReadTimeout(2500);           if (connection.getResponseCode() == 200) {            InputStream inputStream = connection.getInputStream();            BufferedReader reader = new BufferedReader(                new InputStreamReader(inputStream, "UTF-8"));            String line = "";            Pattern pattern = null;            Matcher matcher = null;            //电影详情页面,取出其中的视频下载链接,不继续深入抓取其他页面            if(isMoviePage(oldLink)){              boolean checkTitle = false;              String title = "";              while ((line = reader.readLine()) != null) {                //取出页面中的视频标题                if(!checkTitle){                  pattern = Pattern.compile("([^//s]+).*?</title>");                  matcher = pattern.matcher(line);                  if(matcher.find()){                    title = matcher.group(1);                    checkTitle = true;                    continue;                  }                }                // 取出页面中的视频下载链接                pattern = Pattern                    .compile("(thunder:[^/"]+).*thunder[rR]es[tT]itle=/"[^/"]*/"");                matcher = pattern.matcher(line);                if (matcher.find()) {                  videoLinkMap.put(title,matcher.group(1));                  System.out.println("视频名称: "                      + title + " ------ 视频链接:"                      + matcher.group(1));                  break; //当前页面已经检测完毕                }              }             }            //电影列表页面            else if(checkUrl(oldLink)){              while ((line = reader.readLine()) != null) {                 pattern = Pattern                    .compile("<a href=/"([^/"//s]*)/"");                matcher = pattern.matcher(line);                while (matcher.find()) {                  String newLink = matcher.group(1).trim(); // 链接                  // 判断获取到的链接是否以http开头                  if (!newLink.startsWith("http")) {                    if (newLink.startsWith("/"))                      newLink = oldLinkHost + newLink;                    else                      newLink = oldLinkHost + "/" + newLink;                  }                  // 去除链接末尾的 /                  if (newLink.endsWith("/"))                    newLink = newLink.substring(0,                        newLink.length() - 1);                  // 去重,并且丢弃其他网站的链接                  if (!oldMap.containsKey(newLink)                      && !newMap.containsKey(newLink)                      && (checkUrl(newLink) || isMoviePage(newLink))) {                    System.out.println("temp: " + newLink);                    newMap.put(newLink, false);                  }                }              }            }             reader.close();            inputStream.close();          }          connection.disconnect();        } catch (MalformedURLException e) {          e.printStackTrace();        } catch (IOException e) {          e.printStackTrace();        }         try {          Thread.sleep(1000);        } catch (InterruptedException e) {          e.printStackTrace();        }        oldMap.replace(oldLink, false, true);      }    }    // 有新链接,继续遍历    if (!newMap.isEmpty()) {      oldMap.putAll(newMap);      videoLinkMap.putAll(crawlLinks(oldLinkHost, oldMap)); // 由于Map的特性,不会导致出现重复的键值对    }    return videoLinkMap;  }     /**   * 判断是否是2015年的电影列表页面   * @param url 待检查URL   * @return 状态   * */  public boolean checkUrl(String url){    Pattern pattern = Pattern.compile("http://www.80s.la/movie/list/-2015----p//d*");    Matcher matcher = pattern.matcher(url);    if(matcher.find())      return true; //2015年的列表    else      return false;  }     /**   * 判断页面是否是电影详情页面   * @param url 页面链接   * @return 状态   * */  public boolean isMoviePage(String url){    Pattern pattern = Pattern.compile("http://www.80s.la/movie///d+");    Matcher matcher = pattern.matcher(url);    if(matcher.find())      return true; //电影页面    else       return false;  }   }

注:如果想要实现抓取其他网站的一些指定内容的话,需要将其中的一些正则表达式根据实际情况进行合理修改

三 测试效果

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持武林网。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表