Java クローラースキル: さまざまな Web ページからのデータクローリングに対処する-＆＃＆チュートリアル-php.cn

Java クローラースキル: さまざまな Web ページからのデータクローリングに対処する

WBOY

リリース： 2024-01-09 12:14:01

オリジナル

933 人が閲覧しました

Java クローラースキル: さまざまな Web ページからのデータクローリングに対処する

クローラスキルの向上: さまざまな Web ページからのデータキャプチャに Java クローラがどのように対処するかには、特定のコードサンプルが必要です

要約: インターネットの急速な発展と、ビッグデータ 2020 年が近づくにつれて、データスクレイピングの重要性がますます高まっています。強力なプログラミング言語として、Java のクローラー技術も大きな注目を集めています。この記事では、さまざまな Web ページデータのクローリングを処理する Java クローラーのテクニックを紹介し、読者がクローラーのスキルを向上させるのに役立つ具体的なコード例を示します。

はじめに

インターネットの普及により、大量のデータを簡単に入手できるようになりました。ただし、このデータはさまざまな Web ページに分散されることが多く、データを迅速かつ効率的にクロールするにはクローラーテクノロジーを使用する必要があります。強力なプログラミング言語である Java は、豊富なクラスライブラリと強力なマルチスレッドサポートにより、理想的なクローラ開発言語となっています。

静的 Web ページデータクロールの処理

クローラープログラムでは、多くの場合、静的 Web ページを処理する必要があります。つまり、Web ページのコンテンツは、 HTML 形式のページ。現時点では、Java の URL クラスと URLConnection クラスを使用してデータキャプチャを実装できます。

サンプルコード:

import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;

public class StaticWebPageSpider {
    public static void main(String[] args) {
        try {
            URL url = new URL("http://www.example.com");
            URLConnection conn = url.openConnection();
            BufferedReader reader = new BufferedReader(new InputStreamReader(conn.getInputStream()));
            String line;
            while ((line = reader.readLine()) != null) {
                // 处理网页内容
                System.out.println(line);
            }
            reader.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

ログイン後にコピー

上記のコードでは、URL クラスを使用して Web ページの URL オブジェクトを構築し、接続を開いて接続入力ストリームを取得します。入力ストリームのコンテンツを読み取ることで、Web ページの HTML ソースコードを取得できます。

動的 Web ページデータキャプチャの処理

静的 Web ページに加えて、もう 1 つの一般的な Web ページタイプは動的 Web ページ、つまり Web ページのコンテンツです。 JavaScript を通じて動的に生成されます。現時点では、ブラウザの動作をシミュレートするには、HtmlUnit や Selenium などの Java のサードパーティライブラリを使用する必要があります。

サンプルコード:

import org.openqa.selenium.WebDriver;
import org.openqa.selenium.chrome.ChromeDriver;
import org.openqa.selenium.chrome.ChromeOptions;

public class DynamicWebPageSpider {
    public static void main(String[] args) {
        // 设置Chrome浏览器路径
        System.setProperty("webdriver.chrome.driver", "/path/to/chromedriver");
        ChromeOptions options = new ChromeOptions();
        // 设置不显示浏览器窗口
        options.addArguments("--headless");
        // 创建Chrome浏览器实例
        WebDriver driver = new ChromeDriver(options);
        // 打开网页
        driver.get("http://www.example.com");
        // 获取网页内容
        String content = driver.getPageSource();
        // 处理网页内容
        System.out.println(content);
        // 关闭浏览器
        driver.quit();
    }
}

ログイン後にコピー

上記のコードでは、Selenium ライブラリを使用して Chrome ブラウザの動作をシミュレートし、Web ページの JavaScript をロードして動的コンテンツを生成できるようにします。 getPageSource() メソッドを通じて、Web ページの完全なコンテンツを取得できます。

Ajax データキャプチャの処理

最新の Web アプリケーションでは、動的データの読み込みと更新に Ajax テクノロジがよく使用されます。この状況では、HttpClient や Jsoup などの Java のサードパーティライブラリを使用して、Ajax データキャプチャを処理できます。

サンプルコード:

import org.apache.http.HttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

public class AjaxDataSpider {
    public static void main(String[] args) {
        try {
            CloseableHttpClient httpClient = HttpClients.createDefault();
            // 设置请求URL
            HttpGet httpGet = new HttpGet("http://www.example.com/ajax_data");
            // 发送请求并获取响应
            HttpResponse response = httpClient.execute(httpGet);
            // 获取响应内容
            String content = EntityUtils.toString(response.getEntity());
            // 处理响应内容
            Document document = Jsoup.parse(content);
            String data = document.select("#data").text();
            System.out.println(data);
            // 关闭HttpClient
            httpClient.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

ログイン後にコピー

上記のコードでは、HttpClient ライブラリを使用して HTTP リクエストを送信し、リクエスト応答のコンテンツを取得します。 Jsoup ライブラリを通じて、応答コンテンツを解析して処理できます。