上篇分析的网站是国家级，没有真正编写代码爬取对应的数据，今天以“1药网”为例来爬一爬药品数据
https://www.111.com.cn/
1、分析网站
进入网站首页
2、点击一下“所有商品分类”，对应的网站地址如下
https://www.111.com.cn/categories/
先爬取所有的“分类”，然后在根据“分类”获取分类下的所有商品。
发起Get请求的方法
public static String sendGet(String url){
String result = null;
//CreatesCloseableHttpClient instance with default configuration.
CloseableHttpClienthttpCilent = HttpClients.createDefault();
HttpGethttpGet = new HttpGet(url);
try {
CloseableHttpResponse response =httpCilent.execute(httpGet);
Stringresult = EntityUtils.toString(response.getEntity()) ;
System.out.println(result);
}catch (IOException e) {
e.printStackTrace();
}finally {
try{
httpCilent.close();//释放资源
}catch (IOException e) {
e.printStackTrace();
}
}
returnresult;
}
获取“药品分类”的HTML页面
public static String getCategories(){
String html = HttpUtils.sendGet("https://www.111.com.cn/categories/");
return html;
}
3、分析爬取到的药品分类的HTML，认真看图
把界面上所有的分类链接解析出来
4、解析所有分类链接
5、 public static List<String> processCategoriesHtml(String html){
List<String> links = new ArrayList<String>();
if(html!=null && !"".equals(html.trim())){
try {
Parser parser = new Parser(html);
//定义一个Filter，过滤主题a
NodeFilter afilter = new NodeClassFilter(LinkTag.class);//A过滤器
NodeList nodeList = parser.extractAllNodesThatMatch(afilter);
for(int i=0; i<nodeList.size(); i++){
Node aNode = nodeList.elementAt(i);
LinkTag aLinkTag = (LinkTag)aNode;
if(aLinkTag.getLink()!=null && aLinkTag.getLink().contains("categories")){
links.add(aLinkTag.getLink());
System.out.println(aLinkTag.getLink());
}
}
}catch (Exception e){
e.printStackTrace();
}
}
return links;
}
6、下面来看看“杜蕾斯”的兄弟没到底有多少
在第五步爬出来的连接有如下
//www.111.com.cn/categories/965327-j1
一个连接，同样先爬取HTML页面
public static String getDLS_Html(){
String html = HttpUtils.sendGet("https://www.111.com.cn/categories/965327-j1");
return html;
}
分析获取到HTML
每个“杜大哥”的连接都有product和class="product_pic pro_img"。用如下代码即可获取所有的“杜蕾斯”兄弟的商品链接
public staticList<String>processDLSHtml(String html){
List<String> links = new ArrayList<String>();
if(html!=null && !"".equals(html.trim())){
try {
Parser parser = new Parser(html);
//定义一个Filter，过滤主题em
NodeFilter afilter = new NodeClassFilter(LinkTag.class);//A过滤器
NodeList nodeList = parser.extractAllNodesThatMatch(afilter);
for(int i=0; i<nodeList.size(); i++){
Node aNode = nodeList.elementAt(i);
LinkTag aLinkTag = (LinkTag)aNode;
if(aLinkTag.getLink()!=null && aLinkTag.getLink().contains("product")){
links.add(aLinkTag.getLink());
System.out.println(aLinkTag.getLink());
}
}
}catch (Exception e){
e.printStackTrace();
}
}
return links;
}
7、接下来就可以获取所有的商品规格了，哪款卖的多都可以分析出来哦
同样先获取页面详情
public staticStringgetDLSDetail_Html(String url){
String html = HttpUtils.sendGet("https:"+url);
return html;
}
然后分析HTML可以知道只要分析下图这个div的信息就可以获取“杜大哥”的所有信息了。这个留给大家分析分析下看看怎获取。
