Java多线程网络爬虫时光网为例.docx

1、Java多线程网络爬虫时光网为例Java多线程网络爬虫(时光网为例)多线程简介Java多线程实现方式主要有三种：继承Thread类、实现Runnable接口、使用ExecutorService、Callable、Future实现有返回结果的多线程。其中前两种方式线程执行完后都没有返回值，只有最后一种是带返回值的。 本文所采用的方法是继承Thread类的方法，Thread本质上也是实现了Runnable接口的一个实例，它代表一个线程的实例。启动线程的唯一方法就是通过Thread类的start()实例方法。start()方法是一个native方法，它将启动一个新线程，并执行run()方法。这种方式

2、实现多线程很简单，通过自己的类直接extend Thread，并复写run()方法，就可以启动新线程并执行自己定义的run()方法。多线程网络爬虫为了加快爬虫速度，可以采用多线程网络爬虫的方法。以下我以时光网为例，写一个简单的网络爬虫。分析要爬的数据如下面数据，为我爬的一些电影预告片的初始信息，存在数据库movie的这张表中。下表是我所要爬的预告片相关的数据，包括预告片的id(prmovieId),预告片的链接(url),预告片对应的电影id(movieId),预告片的标题(title)。后面会在model框架中，你会发现，我会把这些待爬取的数据封装在MtimeModel中。网络抓包通过网络抓

3、包的方式，查看数据的获取方式、方法。即真实请求的地址及返回数据的格式(html or json).爬虫框架如果想了解，为什么这样写，请看我前面的介绍网络爬虫框架的文章。modelmodel里面主要写了三个，我们需要的，一个是MtimeUrl封装的是数据库movie这张表中某些数据对应的信息。 MtimeModel封装的是需要爬取数据的信息。package org.autodata.model;/* * author:合肥工业大学 管院学院 钱洋 *1563178220*/public class MtimeUrl /待爬取电影的id和对应的连接 private String id; priva

4、te String url; public String getId() return id; public void setId(String id) this.id = id; public String getUrl() return url; public void setUrl(String url) this.url = url; 爬取的数据为：package org.autodata.model;/* * author:合肥工业大学 管院学院 钱洋 *1563178220*/public class MtimeModel private String prmovieId; pri

5、vate String url; private String movieId; private String title; public String getPrmovieId() return prmovieId; public void setPrmovieId(String prmovieId) this.prmovieId = prmovieId; public String getUrl() return url; public void setUrl(String url) this.url = url; public String getMovieId() return mov

6、ieId; public void setMovieId(String movieId) this.movieId = movieId; public String getTitle() return title; public void setTitle(String title) this.title = title; Json数据的解析modelpackage org.autodata.model;/* * author:合肥工业大学 管院学院 钱洋 *1563178220*/public class JsonModel private String VideoID; private S

7、tring MovieID; private String ShortTitle; private String prmovieId; private String url; public String getVideoID() return VideoID; public String getShortTitle() return ShortTitle; public void setShortTitle(String shortTitle) ShortTitle = shortTitle; public String getPrmovieId() return prmovieId; pub

8、lic void setPrmovieId(String prmovieId) this.prmovieId = prmovieId; public String getUrl() return url; public void setUrl(String url) this.url = url; public void setVideoID(String videoID) VideoID = videoID; public String getMovieID() return MovieID; public void setMovieID(String movieID) MovieID =

9、movieID; MtimeThread主方法主方法里为了方便，我直接使用的是Jsoup去请求数据，建议大家还是使用httpclient，因为有时候Jsoup是失灵的。package org.autodata.navi.main;/* * author:合肥工业大学 管院学院 钱洋 *1563178220*/import java.io.IOException;import java.sql.SQLException;import java.util.ArrayList;import java.util.List;import java.util.concurrent.ExecutorServ

10、ice;import java.util.concurrent.Executors;import javax.sql.DataSource;import mons.dbutils.QueryRunner;import mons.dbutils.ResultSetHandler;import mons.dbutils.handlers.BeanListHandler;import org.autodata.db.MyDataSource;import org.autodata.model.MtimeModel;import org.autodata.model.MtimeUrl;import o

11、rg.autodata.parse.MtimeParse;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;public class MtimeThread extends Thread public static DataSource ds = MyDataSource.getDataSource(jdbc:mysql:/127.0.0.1:3306/moviedata); public static QueryRunner qr = new QueryRunner(ds); String Starturl = ; String I

12、d=; /构造函数，初始化使用 public MtimeThread (String Starturl,String Id) this.Starturl = Starturl; this.Id = Id; public void run() List moviedatas=new ArrayList(); /这里采用jsoup直接模拟访问网页 try Document doc = Jsoup.connect(Starturl).userAgent(bbb).timeout(120000).get(); moviedatas =MtimeParse.getData(doc); catch (IO

13、Exception e) e.printStackTrace(); for (MtimeModel mt:moviedatas) System.out.println(prmovieId:+mt.getPrmovieId()+ movieId:+mt.getMovieId()+ Title:+mt.getTitle() + url:+mt.getUrl(); try MYSQLControl.executeUpdate(moviedatas,Id); catch (SQLException e) e.printStackTrace(); public static void main(Stri

14、ng args) throws SQLException ResultSetHandlerList h = new BeanListHandler(MtimeUrl.class); List Starturls = qr.query(SELECT id,url FROM moviedata.movie WHERE website=时光网 and is_crawler=0, h); /创建固定大小的线程池 ExecutorService exec = Executors.newFixedThreadPool(5); for (MtimeUrl Start:Srturls) /执行线程 exec.

15、execute(new MtimeThread(Start.getUrl(),Start.getId(); /线程关闭 exec.shutdown(); MtimeParse解析数据package org.autodata.parse;/* * author:合肥工业大学 管院学院 钱洋 *1563178220*/import java.util.ArrayList;import java.util.List;import java.util.regex.Matcher;import java.util.regex.Pattern;import org.autodata.model.JsonM

16、odel;import org.autodata.model.MtimeModel;import org.jsoup.nodes.Document;import com.alibaba.fastjson.JSON;public class MtimeParse public static List getData (Document doc) List mtimeData=new ArrayList(); /获取待解析的html文件 String html=doc.html(); /fastJson测试 /just contain the preview List mtimeJsonData=

17、new ArrayList(); Pattern data1 = Ppile(预告片:(.*?),(拍摄花絮|精彩片段); Matcher dataMatcher1 = data1.matcher(html); String da1=; while (dataMatcher1.find() /待解析的json字符串 da1=dataMatcher1.group(1); if (da1.length()!=0) List jsonmodel1 = JSON.parseArray(da1,JsonModel.class); for (JsonModel jso:jsonmodel1 ) JsonM

18、odel mtimeModel=new JsonModel(); String VideoID=mtime+jso.getVideoID(); String MovieID=mtime+jso.getMovieID(); String ShortTitle=jso.getShortTitle(); String url= mtimeModel.setPrmovieId(VideoID); mtimeModel.setUrl(url); mtimeModel.setMovieID(MovieID); mtimeModel.setShortTitle(ShortTitle); mtimeJsonD

19、ata.add(mtimeModel); return mtimeData; 数据库操作MyDataSourcepackage org.autodata.db;import javax.sql.DataSource;import mons.dbcp2.BasicDataSource;/* * author:合肥工业大学 管院学院 钱洋 *1563178220*/public class MyDataSource public static DataSource getDataSource(String connectURI) BasicDataSource ds = new BasicData

20、Source(); /MySQL的jdbc驱动 ds.setDriverClassName(com.mysql.jdbc.Driver); ds.setUsername(root); /所要连接的数据库名 ds.setPassword(112233); /MySQL的登陆密码 ds.setUrl(connectURI); return ds; package org.autodata.db;import java.sql.SQLException;import java.util.List;import javax.sql.DataSource;import mons.dbutils.Quer

21、yRunner;import mons.logging.Log;import mons.logging.LogFactory;import org.autodata.model.MtimeCommentModel;import org.autodata.model.MtimeModel;/* * author:合肥工业大学 管院学院 钱洋 *1563178220*/public class MYSQLControl static final Log logger = LogFactory.getLog(MYSQLControl.class); static DataSource ds = My

22、DataSource.getDataSource(jdbc:mysql:/127.0.0.1:3306/moviedata); static QueryRunner qr = new QueryRunner(ds); /第一类方法 public static void executeUpdate(String sql) try qr.update(sql); catch (SQLException e) logger.error(e); /第二类数据库操作方法 public static void executeUpdate(List moviedata,String id) throws S

23、QLException /定义一个Object数组，行列 Object params = new Objectmoviedata.size()4; for ( int i=0; iparams.length; i+ ) paramsi0 = moviedata.get(i).getPrmovieId(); paramsi1 = moviedata.get(i).getMovieId(); paramsi2 = moviedata.get(i).getUrl(); paramsi3 = moviedata.get(i).getTitle(); try qr.batch(insert into m

24、ovieURL (prmovieId, movieId, url, title) + values (?,?,?,?), params); qr.update(update movie set is_crawler=1 where id=+id+); catch( Exception e) logger.error(e); /操作评论的数据库 public static void executeUpdate1(List moviedata,String id) throws SQLException Object params = new Objectmoviedata.size()3; fo

25、r ( int i=0; iparams.length; i+ ) paramsi0 = moviedata.get(i).getComm_id(); paramsi1 = moviedata.get(i).getComment(); paramsi2 = moviedata.get(i).getTime() ; try qr.batch(insert into moviecomment (comm_id, prmovieId,comment, time) + values (?,+id+,?,?), params); qr.update(update movieurl set is_crawler=1 where prmovieId=+id+); catch( Exception e) logger.error(e);