原创识别失败

系统管理员 2022-09-11 12:29 176阅读 0赞

今天我们使用Java语言写一个爬虫，用来爬取csdn首页推荐博客的博主，看看这些博主有多少人在写微信公众号。

一、爬虫原理  
爬虫就是去请求某个url，然后将响应的页面进行解析，将解析到的数据保存，同时解析出当前页面的url，继续进行爬取，一直循环下去，爬取当前网站的内容。

二、分析CSDN页面数据  
因为我们的目标很明确，就是去分析首页推荐博客博主写微信公众号的比例，因此我们只需要找到我们需要的数据进行保存即可，不需要爬取网站的全部数据。

2.1 找到CSDN首页的博客链接  
在浏览器输入csdn首页链接https://www.csdn.net/，

找到我们爬取的目标，如下图所示

使用f12查看目标元素

根据目标元素，我们可以提取两个关键元素，其一是目标链接在<a></a>中，其二是博客地址的格式为https://blog.csdn.net/+“用户名”+/article/details/+“文章标识”（记住这个博客地址，后面有用）。

2.2 提取设置了公众号信息的博主  
在文章详情页面有博主相关的信息，csdn博客左侧有一块

是博主用来自定义信息的，如下图：

还是一样，f12来查看DOM元素，发现这一块内容在id=asideCustom的

中。

2.3 爬取思路  
通过爬取首页，解析出所有a标签

筛选a标签，根据博客地址格式，匹配到所有的博客地址

爬取博客地址，解析id=asideCustom的

如果第3步可以解析出来，则说名该博主设置了自定义信息

三、编写爬虫  
根据上面的分析我们需要两个工具包，一个是httpclient用于网络请求，另一个是用来解析DOM元素的jsoup。

<dependency>  
    <groupId>org.apache.httpcomponents</groupId>  
    <artifactId>httpclient</artifactId>  
    <version>4.5.10</version>  
</dependency>

<dependency>  
    <groupId>org.jsoup</groupId>  
    <artifactId>jsoup</artifactId>  
    <version>1.10.1</version>  
</dependency>  
1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
网络调用伪代码

public static ArrayList<Document> HttpUtil(HashSet<String> urls)\{  
    CloseableHttpClient httpClient = HttpClients.createDefault();  
    CloseableHttpResponse response = null;  
    ArrayList<Document> list = new ArrayList<>();  
    try \{  
        for(String url : urls)\{  
            HttpGet request = new HttpGet(url);  
            response = httpClient.execute(request);

//判断响应状态为200，请求成功，进行处理  
            if(response.getStatusLine().getStatusCode() == 200) \{  
                HttpEntity httpEntity = response.getEntity();  
                String html = EntityUtils.toString(httpEntity, "utf-8");  
                Document document = Jsoup.parse(html);  
                list.add(document);  
            \} else \{  
                System.out.println("返回状态不是200");  
            \}  
        \}  
    \} catch (ClientProtocolException e) \{  
        e.printStackTrace();  
    \} catch (IOException e) \{  
        e.printStackTrace();  
    \} finally \{  
        HttpClientUtils.closeQuietly(response);  
        HttpClientUtils.closeQuietly(httpClient);  
    \}  
    return list;  
\}  
1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
13  
14  
15  
16  
17  
18  
19  
20  
21  
22  
23  
24  
25  
26  
27  
28  
29  
调用及解析伪代码

public static void main(String\[\] args) \{

// 标记有多少博主设置了自定义信息  
    int i = 0;  
    // 首页url  
    HashSet<String> url = new HashSet<>();  
    // 文章urls  
    HashSet<String> articleUrls = new HashSet<>();  
    url.add("https://www.csdn.net/");  
    // 爬取csdn首页  
    ArrayList<Document> list = HttpUtil(url);  
    // 选择a标签  
    for(Document document : list)\{  
        Elements a = document.select("a");  
        for(Element element : a)\{  
            // 获取a中的url  
            // <a href = "https://xxxx"> </a>  
            String href = element.attr("href");  
            // 筛选博客地址  
            if(href.contains("article/details"))\{  
                articleUrls.add(href);  
            \}  
        \}  
    \}  
    ArrayList<Document> list2 = HttpUtil(articleUrls);  
    for(Document document : list2)\{  
        Element asideCustom = document.getElementById("asideCustom");  
        if(asideCustom != null)\{  
            i++;  
        \}  
    \}  
    // 输出爬取的文章数量 和 设置了自定义信息的博主数量  
    System.out.println("爬取的文章数量="+articleUrls.size()+"\\n"+"写公众号的博主数量="+i);  
\}  
1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
13  
14  
15  
16  
17  
18  
19  
20  
21  
22  
23

24  
25  
26  
27  
28  
29  
30  
31  
32  
33  
34  
控制台输出信息

爬取的文章数量=25  
写公众号的博主数量=5  
1  
2  
四、结尾  
从上面的结果中可以看出，在25篇博客中，就有五个博主在写公众号。但是，这个数据并不能说明csdn的1/5博主就在更新自己的公众号。

csdn首页推荐数据是分页拉去的，爬虫只能爬取到第一页的数据，也就是25条  
有些博主虽然设置了自定义信息，但是并不是公众号  
有些博主虽然没有设置自定义信息，但是在简介或者其他地方留了公众号名称  
不过这些都没关系，本文的重点是使用java语言写个爬虫程序，来爬取目标数据。  
————————————————  
版权声明：本文为CSDN博主「Java旅途」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。  
原文链接：https://blog.csdn.net/m0\_37968982/article/details/120280486