java爬取闲鱼商品信息(二) - AaronLin的博客 - CSDN博客
有了需要爬取的起点队列。
接下来就可以细看一下源码中html的规则。
上面这一段就是一个商品在html源码中的结构。
这里面包含了，卖家头像，ID，vip等级，主页，各种图片，商品基本信息，地址等等东西
当然，我们不需要全部的信息，
我们只需要卖家ID，商品标题，内容，价格，发货地，成色，主页链接，图片链接，这样就够了。
我的思路是构造一段正则表达式来遍历整个网页源码，因为结构相似，我们可以抓取到商品的信息。
如果有更好的思路，欢迎指点或者互相交流。
如下
public static void patter_goods_andpage(String text){
Pattern pattern=Pattern.compile("<div class=\"ks-waterfall\" data-spm=\"2007.1000337.16\">[\\s\\S]+?<div class=\"item-block item-idle sh-roundbox\">[\\s\\S]+?<div class=\"item-seller\">[\\s\\S]+?<div class=\"seller-avatar\">[\\s\\S]+?<a href=\"//s.2.taobao.com/list/list.htm\\?usernick=(.*?)\" target=\"_blank\" title=\"(.*?)\">[\\s\\S]+?(.*?)[\\s\\S]+?</a>[\\s\\S]+?</div>[\\s\\S]+?<div class=\"seller-nick\">(.*?)</div>[\\s\\S]+?<div class=\"seller-icons\">[\\s\\S]+?(.*?)[\\s\\S]+?</div>[\\s\\S]+?</div>[\\s\\S]+?<div class=\"item-info\">[\\s\\S]+?<div class=\"item-pic\">[\\s\\S]+?<a href=\"(.*?)\" (.*)</a>[\\s\\S]+?<span class=\"flag-item-new\">(.*)</span>[\\s\\S]+?</div>[\\s\\S]+?<div class=\"item-attributes\">[\\s\\S]+?<div class=\"item-price price-block\"><span class=\"price\"><b>¥</b><em>(.*?)</em></span></div>[\\s\\S]+?<div class=\"item-location\">(.*?)</div>[\\s\\S]+?</div>[\\s\\S]+?<div class=\"item-brief-desc\">(.*)</div>[\\s\\S]+?<div class=\"item-pub-info\">[\\s\\S]+?<span class=\"item-pub-time\">(.*)</span>[\\s\\S]+?(.*)</div>");
Matcher matcher=pattern.matcher(text);
while(matcher.find()){
//System.out.println(matcher.group(0)+matcher.group(1)+matcher.group(2)+matcher.group(3)+matcher.group(4)+matcher.group(5)+matcher.group(6)+matcher.group(7));
String goods_title=patter_temp(matcher.group(7));
String goods_content=matcher.group(11);
String saler_ID=matcher.group(2);
String goods_url="https:"+matcher.group(6);
double price=Double.parseDouble(matcher.group(9));
String img_url="https:"+patter_img(matcher.group(7));
String location=matcher.group(10);
String condition=matcher.group(8);
System.out.println("第"+goods_number+"件");
System.out.println("卖家:"+saler_ID);
System.out.println("商品标题:"+goods_title);
System.out.println("内容:"+goods_content);
System.out.println("价格:"+price);
System.out.println("地址:"+location);
System.out.println("链接地址:"+goods_url);
System.out.println("图片链接:"+img_url);
System.out.println("成色:"+condition);
System.out.println("-----------------------------");
goods_number++;
mysqlCon.insert_xianyu(goods_title, goods_content, saler_ID, price, location, sort, img_url, condition,goods_url);
}}可以看到这是一段非常非常非常长的正则表达式，也包括了许多(.)和(.?)之类的。这么长的正则表达式不知道是否会影响效率，但是目前看来它是起了预期的作用的。
顺带一说，值得注意的是，这里使用了
>[\s\S]+?代替了标签之间的空格和换行符，否则会更加长。
这我们就实现了对页面中商品信息的抓取。
还有一个就是关于翻页的问题，很容易发现，闲鱼的翻页和url有密切联系，并不是复杂的js动态翻页什么的。
我们直接拉到源码最下面
可以看到需要的链接，然后
没错，又是一个正则表达式。
我们修改一下上一个函数，让他可以运行后返回下一页url
public static String patter_goods_andpage(String text){
Pattern pattern=Pattern.compile("<div class=\"ks-waterfall\" data-spm=\"2007.1000337.16\">[\\s\\S]+?<div class=\"item-block item-idle sh-roundbox\">[\\s\\S]+?<div class=\"item-seller\">[\\s\\S]+?<div class=\"seller-avatar\">[\\s\\S]+?<a href=\"//s.2.taobao.com/list/list.htm\\?usernick=(.*?)\" target=\"_blank\" title=\"(.*?)\">[\\s\\S]+?(.*?)[\\s\\S]+?</a>[\\s\\S]+?</div>[\\s\\S]+?<div class=\"seller-nick\">(.*?)</div>[\\s\\S]+?<div class=\"seller-icons\">[\\s\\S]+?(.*?)[\\s\\S]+?</div>[\\s\\S]+?</div>[\\s\\S]+?<div class=\"item-info\">[\\s\\S]+?<div class=\"item-pic\">[\\s\\S]+?<a href=\"(.*?)\" (.*)</a>[\\s\\S]+?<span class=\"flag-item-new\">(.*)</span>[\\s\\S]+?</div>[\\s\\S]+?<div class=\"item-attributes\">[\\s\\S]+?<div class=\"item-price price-block\"><span class=\"price\"><b>¥</b><em>(.*?)</em></span></div>[\\s\\S]+?<div class=\"item-location\">(.*?)</div>[\\s\\S]+?</div>[\\s\\S]+?<div class=\"item-brief-desc\">(.*)</div>[\\s\\S]+?<div class=\"item-pub-info\">[\\s\\S]+?<span class=\"item-pub-time\">(.*)</span>[\\s\\S]+?(.*)</div>");
Matcher matcher=pattern.matcher(text);
while(matcher.find()){
//System.out.println(matcher.group(0)+matcher.group(1)+matcher.group(2)+matcher.group(3)+matcher.group(4)+matcher.group(5)+matcher.group(6)+matcher.group(7));
String goods_title=patter_temp(matcher.group(7));
String goods_content=matcher.group(11);
String saler_ID=matcher.group(2);
String goods_url="https:"+matcher.group(6);
double price=Double.parseDouble(matcher.group(9));
String img_url="https:"+patter_img(matcher.group(7));
String location=matcher.group(10);
String condition=matcher.group(8);
System.out.println("第"+goods_number+"件");
System.out.println("卖家:"+saler_ID);
System.out.println("商品标题:"+goods_title);
System.out.println("内容:"+goods_content);
System.out.println("价格:"+price);
System.out.println("地址:"+location);
System.out.println("链接地址:"+goods_url);
System.out.println("图片链接:"+img_url);
System.out.println("成色:"+condition);
System.out.println("-----------------------------");
goods_number++;
mysqlCon.insert_xianyu(goods_title, goods_content, saler_ID, price, location, sort, img_url, condition,goods_url);
}
//-----pagenumber
Pattern pattern_page=Pattern.compile("<a class=\"paginator-next\" href=\"(.*?)\" hidefocus=\"true\">下一页<span class=\"paginator-arrow-right\"></span>");
Matcher matcher_page=pattern_page.matcher(text);
String nextpage_url;
if (matcher_page.find()) {
nextpage_url="https:"+matcher_page.group(1).replace("amp;", "");
System.out.println(nextpage_url);
} else {
nextpage_url="nothing";
}
return nextpage_url;
}写到这我发现了个问题，一个页面只能抓20条，显然一个页面不止20个商品
在这里，加载下面的商品使用了js动态加载，所以我们的获取源码方式要修改一下。
接下篇
Original url: Access
Created at: 2019-06-24 16:24:04
Category: default
Tags: none
未标明原创文章均为采集，版权归作者所有，转载无需和我联系，请注明原出处，南摩阿彌陀佛，知识，不只知道，要得到
最新评论