部落格搬家系列（三）-爬取部落格園部落格
阿新 • • 發佈：2018-11-05
部落格搬家系列（三）-爬取部落格園部落格
一.前情回顧
部落格搬家系列（一）-簡介：https://blog.csdn.net/rico_zhou/article/details/83619152
部落格搬家系列（二）-爬取CSDN部落格：https://blog.csdn.net/rico_zhou/article/details/83619509
部落格搬家系列（四）-爬取簡書文章：https://blog.csdn.net/rico_zhou/article/details/83619538
部落格搬家系列（五）-爬取開源中國部落格：https://blog.csdn.net/rico_zhou/article/details/83619561
部落格搬家系列（六）-爬取今日頭條文章：https://blog.csdn.net/rico_zhou/article/details/83619564
部落格搬家系列（七）-本地WORD文件轉HTML：https://blog.csdn.net/rico_zhou/article/details/83619573
部落格搬家系列（八）-總結：https://blog.csdn.net/rico_zhou/article/details/83619599
二.開幹（獲取文章URL集合）
爬取部落格園的部落格思路跟CSDN一樣，且下載圖片那一步更為簡單，任何header都不需要設定，同樣，我們以ricozhou的主頁為例分析原始碼 https://www.cnblogs.com/ricozhou/
我們可以看到文章列表如下，依然是很簡潔的url，我們找一個博主文章較多的看看，方便分析規律，如https://www.cnblogs.com/xdp-gacl/
當我們點選下一頁的時候，url如下
顯然最後的2是頁數，這樣我們就找到了頁面url規律，同樣右擊檢視原始碼，分析找到文章都位於哪個標籤內
觀察發現，文章url均位於class為postTitle的標籤內，程式碼如下：
/** * @date Oct 17, 2018 12:30:46 PM * @Desc * @param blogMove * @param oneUrl * @return * @throws IOException * @throws MalformedURLException * @throws FailingHttpStatusCodeException */ public void getCnBlogArticleUrlList(Blogmove blogMove, String oneUrl, List<String> urlList) throws FailingHttpStatusCodeException, MalformedURLException, IOException { // 模擬瀏覽器操作 // 建立WebClient WebClient webClient = new WebClient(BrowserVersion.CHROME); // 關閉css程式碼功能 webClient.getOptions().setThrowExceptionOnScriptError(false); webClient.getOptions().setCssEnabled(false); // 如若有可能找不到檔案js則加上這句程式碼 webClient.getOptions().setThrowExceptionOnFailingStatusCode(false); // 獲取第一級網頁html HtmlPage page = webClient.getPage(oneUrl); // System.out.println(page.asXml()); Document doc = Jsoup.parse(page.asXml()); Elements pageMsg = doc.select("div.postTitle"); Element linkNode; for (Element e : pageMsg) { linkNode = e.select("a.postTitle2").first(); if (linkNode == null) { continue; } if (urlList.size() < blogMove.getMoveNum()) { urlList.add(linkNode.attr("href")); } else { break; } } return; }
獲取url集合如下
三.開幹（獲取文章具體資訊）
同樣，我們還是開啟一篇博文，以使用爬蟲框架htmlunit整合springboot出現的一個不相容問題 為例，使用Chrome開啟，我們可以看到一些基本資訊，如文章的型別為原創，標題，時間，作者，閱讀數，文章文字資訊，圖片資訊等
同樣，右擊檢視原始碼找到對應的元素，然後獲取內容
部分程式碼
/**
* @date Oct 17, 2018 12:46:52 PM
* @Desc 獲取詳細資訊
* @param blogMove
* @param url
* @return
* @throws IOException
* @throws MalformedURLException
* @throws FailingHttpStatusCodeException
*/
public Blogcontent getCnBlogArticleMsg(Blogmove blogMove, String url, List<Blogcontent> bList)
throws FailingHttpStatusCodeException, MalformedURLException, IOException {
Blogcontent blogcontent = new Blogcontent();
blogcontent.setArticleSource(blogMove.getMoveWebsiteId());
// 模擬瀏覽器操作
// 建立WebClient
WebClient webClient = new WebClient(BrowserVersion.CHROME);
// 關閉css程式碼功能
webClient.getOptions().setThrowExceptionOnScriptError(false);
webClient.getOptions().setCssEnabled(false);
// 如若有可能找不到檔案js則加上這句程式碼
webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
// 獲取第一級網頁html
HtmlPage page = webClient.getPage(url);
Document doc = Jsoup.parse(page.asXml());
// 獲取標題
String title = BlogMoveCnBlogUtils.getCnBlogArticleTitle(doc);
// 是否重複去掉
if (blogMove.getMoveRemoveRepeat() == 0) {
// 判斷是否重複
if (BlogMoveCommonUtils.articleRepeat(bList, title)) {
return null;
}
}
blogcontent.setTitle(title);
// 獲取作者
blogcontent.setAuthor(BlogMoveCnBlogUtils.getCnBlogArticleAuthor(doc));
// 獲取時間
if (blogMove.getMoveUseOriginalTime() == 0) {
blogcontent.setGtmCreate(BlogMoveCnBlogUtils.getCnBlogArticleTime(doc));
} else {
blogcontent.setGtmCreate(new Date());
}
blogcontent.setGtmModified(new Date());
// 獲取型別
blogcontent.setType(BlogMoveCnBlogUtils.getCnBlogArticleType(doc));
// 獲取正文
blogcontent.setContent(BlogMoveCnBlogUtils.getCnBlogArticleContent(doc, blogMove, blogcontent));
// 設定其他
blogcontent.setStatus(blogMove.getMoveBlogStatus());
blogcontent.setBlogColumnName(blogMove.getMoveColumn());
// 特殊處理
blogcontent.setArticleEditor(blogMove.getMoveArticleEditor());
blogcontent.setShowId(DateUtils.format(new Date(), DateUtils.YYYYMMDDHHMMSSSSS));
blogcontent.setAllowComment(0);
blogcontent.setAllowPing(0);
blogcontent.setAllowDownload(0);
blogcontent.setShowIntroduction(1);
blogcontent.setIntroduction("");
blogcontent.setPrivateArticle(1);
return blogcontent;
}詳細資訊
/**
* @date Oct 17, 2018 1:10:19 PM
* @Desc 獲取標題
* @param doc
* @return
*/
public static String getCnBlogArticleTitle(Document doc) {
// 標題
Element pageMsg2 = doc.select("div#post_detail").first().select("h1.postTitle").first().select("a").first();
return pageMsg2.ownText();
}
/**
* @date Oct 17, 2018 1:10:28 PM
* @Desc 獲取作者
* @param doc
* @return
*/
public static String getCnBlogArticleAuthor(Document doc) {
Element pageMsg2 = doc.select("div.postDesc").first().select("a").first();
return pageMsg2.ownText();
}
/**
* @date Oct 17, 2018 1:10:33 PM
* @Desc 獲取時間
* @param doc
* @return
*/
public static Date getCnBlogArticleTime(Document doc) {
Element pageMsg2 = doc.select("div.postDesc").first().select("span#post-date").first();
String date = pageMsg2.ownText().trim();
// 這地方時間格式變化太多暫時不實現
Date d = DateUtils.formatStringDate(date, DateUtils.YYYY_MM_DD_HH_MM_SS4);
// 注意有些格式不正確
return d == null ? new Date() : d;
}
/**
* @date Oct 17, 2018 1:10:37 PM
* @Desc 獲取型別
* @param doc
* @return
*/
public static String getCnBlogArticleType(Document doc) {
// Element pageMsg2 =
// doc.select("div.article-detail").first().select("h1.header").first().select("div.horizontal")
// .first();
// if ("原".equals(pageMsg2.html())) {
// return "原創";
// } else if ("轉".equals(pageMsg2.html())) {
// return "轉載";
// } else if ("譯".equals(pageMsg2.html())) {
// return "翻譯";
// }
return "原創";
}/**
* @date Oct 17, 2018 1:10:41 PM
* @Desc 獲取正文
* @param doc
* @param object
* @param blogcontent
* @return
*/
public static String getCnBlogArticleContent(Document doc, Blogmove blogMove, Blogcontent blogcontent) {
Element pageMsg2 = doc.select("div#post_detail").first().select("div#cnblogs_post_body").first();
String content = pageMsg2.toString();
String images;
// 注意是否需要替換圖片
if (blogMove.getMoveSaveImg() == 0) {
// 儲存圖片到本地
// 先獲取所有圖片連線，再按照每個連結下載圖片，最後替換原有連結
// 先建立一個資料夾
// 先建立一個臨時資料夾
String blogFileName = String.valueOf(UUID.randomUUID());
FileUtils.createFolder(FilePathConfig.getUploadBlogPath() + File.separator + blogFileName);
blogcontent.setBlogFileName(blogFileName);
// 匹配出所有連結
List<String> imgList = BlogMoveCommonUtils.getArticleImgList(content);
// 下載並返回重新生成的imgurllist
List<String> newImgList = BlogMoveCommonUtils.getArticleNewImgList(blogMove, imgList, blogFileName);
// 拼接文章所有連結
images = BlogMoveCommonUtils.getArticleImages(newImgList);
blogcontent.setImages(images);
// 替換所有連結按順序
content = getCnBlogNewArticleContent(content, imgList, newImgList);
}
return content;
}程式碼共用，不再多放。還是一樣的步驟，獲取正文原始碼html匹配img，下載img，替換img連結，返回替換後的HTML
本人網站效果圖：
歡迎交流學習！
完整原始碼請見github：