Java原生代码实现爬虫（爬取小说）

大家好，欢迎来到IT知识分享网。

Java也能做爬虫。

现在提到爬虫人第一个想到的就是python，其实使用Java编写爬虫也是很好的选择，Java成熟的爬虫框架很多，下面给大家展示一个使用Java基础语言编写的爬取小说的案例：

实现功能：

爬取目标网站全本小说

代码编写环境：

JDK：1.8.0_191

Eclipse：2019-03 (4.11.0)

素材：

网站：http://www.shicimingju.com（如有侵权，请联系我删除，谢谢）

小说：三国演义

案例实现用到的技术：

正则表达式

Java网络通信：URL

IO流

Map—HashMap

字符串操作

异常处理

代码思路：

1. 根据小说存放位置创建file对象
2. 根据网页结构编写正则，创建pattern对象
3. 编写循环，创建向所有小说章节页面发起网络请求的url对象
4. 网络流BufferReader
5. 创建输入流
6. 循环读取请求得到的内容，使用正则匹配其中的内容
7. 将读取到的内容写入本地文件，知道循环结束
8. 注意代码中的异常处理

案例代码：

案例代码：
package com.qianfeng.text;

import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileOutputStream;
import java.io.InputStreamReader;
import java.io.OutputStreamWriter;
import java.net.URL;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class GetText {
	public static void main(String[] args) {
		// 1、	根据小说存放位置创建file对象
		File file = new File("D:\\File\\three_guo.txt");
		// 2、	根据网页结构编写正则，创建pattern对象
		String regex_content = "<p.*?>(.*?)</p>";
		String regex_title = "<title>(.*?)</title>";
		
		Pattern p_content = Pattern.compile(regex_content);
		Pattern p_title = Pattern.compile(regex_title);
		
		Matcher m_content;
		Matcher m_title;
		
		// 3、	编写循环，创建向所有小说章节页面发起网络请求的url对象
		for (int i = 1; i <= 120; i++) {
			System.out.println("第" + i + "章开始下载。。。");
			try {
				// 创建每一个页面的url对象
				URL url = new URL("http://www.shicimingju.com/book/sanguoyanyi/" + i + ".html");
				// 创建网络读取流
				BufferedReader reader = new BufferedReader(new InputStreamReader(url.openStream(),"utf8"));
				
				// 4、读取网络内容网络流BufferReader
				String str = null;
				
				// 5、	创建输入流
				BufferedWriter writer = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(file,true)));
				
				while ((str = reader.readLine()) != null) {
					m_title = p_title.matcher(str.toString());
					m_content = p_content.matcher(str.toString());
					
					// 获取小说标题并写入本地文件
					Boolean isEx = m_title.find();
					if (isEx) {
						String title = m_title.group();
						// 清洗得到的数据
						title = title.replace("<title>", "").replace("</title>", "");
						System.out.println(title);
						writer.write("第" + i + "章：" + title + "\n");
					}
					
					while (m_content.find()) {
						String content = m_content.group();
						// 清洗得到的数据
						content = content.replace("<p>", "").replace("</p>", "").replace(" ", "").replace("?", "");
						// 把小说内容写入文件
						writer.write(content + "\n"); 
					}
				}
				
				System.out.println("第" + i + "章下载完成.........");
				
				writer.write("\n\n");
				writer.close();
				reader.close();
			} catch (Exception e) {
				System.out.println("下载失败");
				e.printStackTrace();
			}
		}
	}
}

运行效果：