Java爬虫抓取视频网站下载链接

本篇文章抓取目标网站的链接的基础上，进一步提高难度，抓取目标页面上我们所需要的内容并保存在数据库中。这里的测试案例选用了一个我常用的电影下载网站（http://www.80s.la/）。本来是想抓取网站上的所有电影的下载链接，后来感觉需要的时间太长，因此改成了抓取2015年电影的下载链接。

一 原理简介

其实原理都跟第一篇文章差不多，不同的是鉴于这个网站的分类列表实在太多，如果不对这些标签加以取舍的话，需要花费的时间难以想象。

分类链接和标签链接都不要，不通过这些链接去爬取其他页面，只通过页底的所有类型电影的分页去获取其他页面的电影列表即可。同时，对于电影详情页面，仅仅只是抓取其中的电影标题和迅雷下载链接，并不进行深层次的爬行，详情页面的一些推荐电影等链接通通不要。

最后就是将所有获取到的电影的下载链接保存在videolinkMap这个集合中，通过遍历这个集合将数据保存到MySQL里

二 代码实现

实现原理已经在上面说了，并且代码中有详细注释，因此这里就不多说了，代码如下：

package action;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.MalformedURLException;
import java.net.URL;
import java.sql.Connection;
import java.sql.PreparedStatement;
import java.sql.SQLException;
import java.util.linkedHashMap;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
 
public class VideolinkGrab {
 
  public static void main(String[] args) {
    VideolinkGrab videolinkGrab = new VideolinkGrab();
    videolinkGrab.saveData("http://www.80s.la/movie/list/-2015----p");
  }
 
  
  public void saveData(String baseUrl) {
    Map oldMap = new linkedHashMap(); // 存储链接-是否被遍历
 
    Map videolinkMap = new linkedHashMap(); // 视频下载链接
    String oldlinkHost = ""; // host
 
    Pattern p = Pattern.compile("(https?://)?[^/\s]*"); // 比如：http://www.zifangsky.cn
    Matcher m = p.matcher(baseUrl);
    if (m.find()) {
      oldlinkHost = m.group();
    }
 
    oldMap.put(baseUrl, false);
    videolinkMap = crawllinks(oldlinkHost, oldMap);
    // 遍历，然后将数据保存在数据库中
    try {
      Connection connection = JDBCDemo.getConnection();
      for (Map.Entry mapping : videolinkMap.entrySet()) {
 PreparedStatement pStatement = connection
     .prepareStatement("insert into movie(MovieName,Movielink) values(?,?)");
 pStatement.setString(1, mapping.getKey());
 pStatement.setString(2, mapping.getValue());
 pStatement.executeUpdate();
 pStatement.close();
//System.out.println(mapping.getKey() + " : " + mapping.getValue());
      }
      connection.close();
    } catch (SQLException e) {
      e.printStackTrace();
    }
  }
 
  
  private Map crawllinks(String oldlinkHost,
      Map oldMap) {
    Map newMap = new linkedHashMap(); // 每次循环获取到的新链接
    Map videolinkMap = new linkedHashMap(); // 视频下载链接
    String oldlink = "";
 
    for (Map.Entry mapping : oldMap.entrySet()) {
      // System.out.println("link:" + mapping.getKey() + "--------check:"
      // + mapping.getValue());
      // 如果没有被遍历过
      if (!mapping.getValue()) {
 oldlink = mapping.getKey();
 // 发起GET请求
 try {
   URL url = new URL(oldlink);
   HttpURLConnection connection = (HttpURLConnection) url
.openConnection();
   connection.setRequestMethod("GET");
   connection.setConnectTimeout(2500);
   connection.setReadTimeout(2500);
 
   if (connection.getResponseCode() == 200) {
     InputStream inputStream = connection.getInputStream();
     BufferedReader reader = new BufferedReader(
  new InputStreamReader(inputStream, "UTF-8"));
     String line = "";
     Pattern pattern = null;
     Matcher matcher = null;
     //电影详情页面，取出其中的视频下载链接，不继续深入抓取其他页面
     if(isMoviePage(oldlink)){
boolean checkTitle = false;
String title = "";
while ((line = reader.readLine()) != null) {
  //取出页面中的视频标题
  if(!checkTitle){
    pattern = Pattern.compile("([^\s]+).*?");
    matcher = pattern.matcher(line);
    if(matcher.find()){
      title = matcher.group(1);
      checkTitle = true;
      continue;
    }
  }
  // 取出页面中的视频下载链接
  pattern = Pattern
      .compile("(thunder:[^"]+).*thunder[rR]es[tT]itle="[^"]*"");
  matcher = pattern.matcher(line);
  if (matcher.find()) {
    videolinkMap.put(title,matcher.group(1));
    System.out.println("视频名称： "
 + title + " ------ 视频链接："
 + matcher.group(1));
    break; //当前页面已经检测完毕
  }
} 
     }
     //电影列表页面
     else if(checkUrl(oldlink)){
while ((line = reader.readLine()) != null) {
 
  pattern = Pattern
      .compile("

注：如果想要实现抓取其他网站的一些指定内容的话，需要将其中的一些正则表达式根据实际情况进行合理修改


三 测试效果



以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持考高分网。