爬虫抓取分页数据的简单实现

昨天，我们已经利用Jsoup技术实现了一个简单的爬虫，原理很简单，主要是要先分析页面，拿到条件，然后就去匹配url，采用dome解析的方式循环抓取我们需要的数据，从而即可轻松实现一个简单的爬虫。那么，昨天我们说了，我们昨天只是爬取了一页的数据也就是第一页的数据，若想获取分页的全部数据该怎么写呢？正好，今天朋友托我帮忙买一种药，说是她那边没有，于是，我就查询了一下佛山的各大药店，利用我们刚学的爬虫技术，我们今天就来实现一下爱帮网上佛山药店的分布列表。

一、需求分析

首先，我们登陆爱帮网，选择城区以及输入关键字，我们输入的是“药店”，点击搜索按钮，我们打开控制台，观察头信息，如下图：





我们通过观察可以看到请求的url地址以及参数；其实直接看地址栏就可以看得出来，我们点击第二页发现其他参数都不变，只有参数p的值随页码的变化而变化。那么，这样以来，我们就可以知道每一页的请求地址其实都是一样的，只要改变p的值即可，然后我们看页面总页数只有8页，数据量不大，写个循环循环8次即可。下面我们就来开始实现，依然在昨天的代码的基础上改一改即可。

二、开发

1、我们首先需要改一下我们的业务实现类，因为取值的方式已经不一样了，如下图：



我们要去的class为aside中的内容，同样是拿到<a>标签，但是我们观察得知页面有很多的<a>标签，我们要取得我们需要的，如下图：

/*
* 提取结果中的链接地址和链接标题，返回数据
*/

for(Element result : results){
Elements links = result.getElementsByTag("a");//可以拿到链接
for(Element link : links){
if(link.siblingElements().hasClass("num")){
String id = link.siblingElements().text();
String linkText = link.text();
LinkTypeData data1 = new LinkTypeData();
if(id!=null && linkText!=null){
data1.setId(id);
data1.setLinkText(linkText);
}
datas.add(data1);
}
if(link.parent().parent().hasClass("part1")){
LinkTypeData data2 = new LinkTypeData();
String address = link.parent().siblingElements().text();
if(address!=null){
data2.setSummary(address);
}
datas.add(data2);
}
if(link.parent().siblingElements().tagName("span").hasClass("biztel")){
LinkTypeData data3 = new LinkTypeData();
String telnum = link.parent().siblingElements().tagName("span").text();
if(telnum!=null){
data3.setContent(telnum);
}
datas.add(data3);
}
}
// 对取得的html中的 出现问号乱码进行处理
/*linkText = new String(linkText.getBytes(),"GBK").replace('?', ' ').replace('　', ' ');
String id = link.parent().firstElementSibling().text();
id = new String(id.getBytes(),"GBK").replace('?', ' ').replace('　', ' ');
String address = link.parent().nextElementSibling().text();
address = new String(address.getBytes(),"GBK").replace('?', ' ').replace('　', ' ');
String code = link.parent().lastElementSibling().text();
code = new String(code.getBytes(),"GBK").replace('?', ' ').replace('　', ' ');*/

/*data.setSummary(address);
data.setContent(code);
data.setId(id);*/

}
return datas;
}

我们在昨天的代码基础上进行了更改。这样就取得了我们想要的数据。

三、测试

接下来我们就可以改一下我们的测试类，我们需要循环8次，而每一次获取到的数据我们都存进一个新的集合中，然后最后再拿出新的集合的数据写进Excel。

/**
* 不带查询参数
* @author AoXiang
* 2017年3月21日
*/
@org.junit.Test
public void getDataByClass() throws IOException{
List<LinkTypeData> newList = new ArrayList<LinkTypeData>();
for(int i=1;i<=8;i++){
Rule rule = new Rule( "http://www.aibang.com/?area=bizsearch2&cmd=bigmap&city=%E4%BD%9B%E5%B1%B1&a=%E5%8D%97%E6%B5%B7%E5%8C%BA&q=%E8%8D%AF%E5%BA%97&as=5000&ufcate=&rc=1&zone=&quan=&fm=&p="+i,
null,null,
"aside", Rule.CLASS, Rule.POST);
List<LinkTypeData> datas = ExtractService.extract(rule);
for(int j=0;j<datas.size();j++){
newList.add(datas.get(j));
}
}
// 第一步，创建一个webbook，对应一个Excel文件
HSSFWorkbook wb = new HSSFWorkbook();
// 第二步，在webbook中添加一个sheet,对应Excel文件中的sheet
HSSFSheet sheet = wb.createSheet("佛山药店");
// 第三步，在sheet中添加表头第0行,注意老版本poi对Excel的行数列数有限制short
HSSFRow row = sheet.createRow((int) 0);
// 第四步，创建单元格，并设置值表头 设置表头居中
HSSFCellStyle style = wb.createCellStyle();
style.setAlignment(HSSFCellStyle.ALIGN_CENTER); // 创建一个居中格式
HSSFCell cell = row.createCell((short) 0);
cell.setCellValue("序号");
cell.setCellStyle(style);
cell = row.createCell((short) 1);
cell.setCellValue("药店名称");
cell.setCellStyle(style);
cell = row.createCell((short) 2);
cell.setCellValue("地址");
cell.setCellStyle(style);
cell = row.createCell((short) 3);
cell.setCellValue("电话");
cell.setCellStyle(style);
for(int m=0;m<newList.size();m++){
// 第五步，写入实体数据
row = sheet.createRow((int)m  + 1);
// 第四步，创建单元格，并设置值
row.createCell((short) 0).setCellValue(newList.get(m).getId());
row.createCell((short) 1).setCellValue(newList.get(m).getLinkText());
row.createCell((short) 2).setCellValue(newList.get(m).getSummary());
row.createCell((short) 3).setCellValue(newList.get(m).getContent());
}
// 第六步，将文件存到指定位置
try
{
FileOutputStream fout = new FileOutputStream("F:/佛山药店.xls");
wb.write(fout);
fout.close();
}
catch (Exception e)
{
e.printStackTrace();
}
}

我们运行一下看结果：



好了，我们已经拿到我们需要的数据了，然后就可以对这些数据进行分析，为我么所用。

其实，这只是一个简单的网站，一般现在的网站有些分页是JS动态获取的，我们看不到分页信息，那么，这就需要我们灵活应变，爬虫技术也不是只有这一种，然而万变不离其宗，掌握了要领和方法，相信不会有任何困难。

源码就不用上传了，有兴趣的同学可以参考一下，其实就是改了两处地方。

如果您对代码有什么异议欢迎您的留言，我们一起交流！