一、场景剖析
明天来爬一下我集体的博客，将我的文章题目和地址归纳到一个 Excel 中，不便查看。
wshanshi 能有什么坏心理呢？她只是 …… 想总结下本人文章和相干的地址而已 …….
二、界面简略剖析：
开发都懂得，关上调试模式。抉择 Elements，而后找到寄存文章的盒子，如下图。
剖析后发现，每个盒子对应寄存一个文章相干的信息。
认真再看，能够发现所有的 article 标签的 class 都是同一个。
哎呦，都长一样，这就好整了。通过类选择器联合标签，一下就能拿到了。
点开任意一个文章 div，会发现外面外面有文章超链接，题目，形容信息。
联合此次操作的终极目标，得出了以下操作步骤。
场景也剖析完了，就开搞白。
楼主将用两种办法（Python、Java）进行集体文章的数据收集。干就完事 ……
三、Python 实现形式
示例版本 ：Python 3.8
安装包：requests、beautifulsoup4、pandas
库包装置命令（windows 下）
pip install requests
pip install beautifulsoup4
pip install pandas 3.1、罕用的库阐明
3.1.1、Requests
什么是 Requests？Requests 有什么长处、毛病？
中文网地址：https://docs.python-requests.org/zh_CN/latest/user/quickstart.html
3.1.2、Beautiful Soup 4.4.0
阐明：是一个能够从 HTML 或 XML 文件中提取数据的 Python 库。
中文网地址：https://beautifulsoup.readthedocs.io/zh_CN/latest/
3.1.3、Pandas
阐明：弱小的 Python 数据分析反对库
中文网址：https://www.pypandas.cn/docs/
具体应用详情认准官网 happy 啊，此处不多做介绍！！！
3.2、代码示例
间接贴代码：获取的文章题目、文章链接进行整合，导出到 .csv 文件。
# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests
import pandas as pd
import openpyxl
import re
import os
def is_in(full_str, sub_str):
return full_str.count(sub_str) > 0
def blogOutput(df,url):
# if file does not exist write header
if not os.path.isfile(url):
df.to_csv(url, index = False)
else: # else it exists so append without writing the header
df.to_csv(url, mode = 'a', index = False, header = False)
if __name__ == '__main__':
target = 'https://blog.csdn.net/weixin_43770545'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.67 Safari/537.36 Edg/87.0.664.47'}
res = requests.get(target,headers=headers)
#div_bf = BeautifulSoup(res.text)
soup = BeautifulSoup(res.text, 'html.parser')
#定义输入数组
result=[]
for item in soup.find_all("article",{"class":"blog-list-box"}):
#提取文章题目
#print(item.find("h4").text.strip())
#提取文章地址链接
#print(item.find("a").get('href'))
data = []
data.append(item.find("h4").text.strip())
data.append(item.find("a").get('href'))
result.append(data)
df = pd.DataFrame(result,columns=['文章题目', '文章地址'])
# 调用函数将数据写入表格
blogOutput(df, 'F:/blog_result.csv')
print('输入结束')编码实现后，就跑起来哇。如下图所示，Run（快捷键 F5）。
提醒输入结束，可查看导出的文件。
能够的，拿到数据了！！！Python 办法就演示这么多（毕竟俺不善于），上面看 Java 老哥。
四、Java 实现形式
Java 操作应用 Jsoup 库，本质操作 Dom。
易百教程网址（友情链接）：https://www.yiibai.com/jsoup/jsoup-quick-start.html
4.1、环境、库包
Jsoup Maven：
<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.11.2</version>
</dependency>4.2、代码示例
定义 BlogVo 类
public class BlogVo implements Serializable {
/**
* 文章题目
*/
private String title;
/**
* 文章地址
*/
private String url;
@Excel(colName = "文章题目", sort = 1)
public String getTitle() {return title;}
public void setTitle(String title) {this.title = title;}
@Excel(colName = "文章题目", sort = 2)
public String getUrl() {return url;}
public void setUrl(String url) {this.url = url;}
}service 接口
/**
* 获取提取的博客信息
*
* @return
*/
List<BlogVo> getBlogList();
/**
* 导出 csv 文件
*
* @param httpServletResponse
* @throws Exception
*/
void export(HttpServletResponse httpServletResponse) throws Exception;serviceImpl 实现类
@Override
public List<BlogVo> getBlogList() {List<BlogVo> list = new ArrayList<>();
try {Document document = Jsoup.connect("https://blog.csdn.net/weixin_43770545").timeout(20000).get();
Elements e = document.getElementsByClass("blog-list-box");
Elements h4 = e.select(".blog-list-box-top").select("h4");
Elements a = e.select(".blog-list-box").select("a");
List<String> h4List = new ArrayList<>();
List<String> aList = new ArrayList<>();
h4.forEach(item -> {h4List.add(item.text());
});
a.forEach(item -> {String href = item.attr("href");
aList.add(href);
});
for (int i = 0; i < h4List.size(); i++) {BlogVo blogVo = new BlogVo();
blogVo.setTitle(h4List.get(i));
blogVo.setUrl(aList.get(i));
list.add(blogVo);
}
} catch (Exception e) {e.printStackTrace();
}
return list;
}
@Override
public void export(HttpServletResponse httpServletResponse) throws Exception {new ExcelExportUtils().export(BlogVo.class, getBlogList(), httpServletResponse, "blog");
}controller 管制层
/**
* 导出 csv 文件
*
* @param response
* @throws Exception
*/
@GetMapping("/getExport")
public void getExport(HttpServletResponse response) throws Exception {demoService.export(response);
}自定义注解类（Excel）
package com.wshanshi.test.entity;
import java.lang.annotation.Documented;
import java.lang.annotation.ElementType;
import java.lang.annotation.Retention;
import java.lang.annotation.RetentionPolicy;
import java.lang.annotation.Target;
@Target(ElementType.METHOD)
@Retention(RetentionPolicy.RUNTIME)
@Documented
public @interface Excel {public String colName(); // 列名
public int sort(); // 程序}工具类（导出）
package com.wshanshi.test.util;
import com.wshanshi.test.entity.Excel;
import org.apache.poi.hssf.usermodel.HSSFCell;
import org.apache.poi.hssf.usermodel.HSSFRow;
import org.apache.poi.hssf.usermodel.HSSFSheet;
import org.apache.poi.hssf.usermodel.HSSFWorkbook;
import org.apache.poi.ss.formula.functions.T;
import javax.servlet.http.HttpServletResponse;
import java.io.BufferedOutputStream;
import java.lang.reflect.Method;
import java.util.List;
import java.util.Map;
import java.util.TreeMap;
/**
* 导出工具类
*/
public class ExcelExportUtils {public void ResponseInit(HttpServletResponse response, String fileName) {response.reset();
// 设置 content-disposition 响应头管制浏览器以下载的模式关上文件
response.setHeader("Content-Disposition", "attachment;filename=" + fileName + ".csv");
// 让服务器通知浏览器它发送的数据属于 excel 文件类型
response.setContentType("application/vnd.ms-excel;charset=UTF-8");
response.setHeader("Prama", "no-cache");
response.setHeader("Cache-Control", "no-cache");
response.setDateHeader("Expires", 0);
}
public void POIOutPutStream(HttpServletResponse response, HSSFWorkbook wb) {
try {BufferedOutputStream out = new BufferedOutputStream(response.getOutputStream());
wb.write(out);
out.flush();
out.close();} catch (Exception e) {e.printStackTrace();
}
}
@SuppressWarnings({"unchecked", "rawtypes"})
public void export(Class<?> objClass, List<?> dataList, HttpServletResponse response, String fileName) throws Exception {ResponseInit(response, fileName);
Class excelClass = Class.forName(objClass.toString().substring(6));
Method[] methods = excelClass.getMethods();
Map<Integer, String> mapCol = new TreeMap<>();
Map<Integer, String> mapMethod = new TreeMap<>();
for (Method method : methods) {Excel excel = method.getAnnotation(Excel.class);
if (excel != null) {mapCol.put(excel.sort(), excel.colName());
mapMethod.put(excel.sort(), method.getName());
}
}
HSSFWorkbook wb = new HSSFWorkbook();
POIBuildBody(POIBuildHead(wb, "sheet1", mapCol), excelClass, mapMethod, (List<T>) dataList);
POIOutPutStream(response, wb);
}
public HSSFSheet POIBuildHead(HSSFWorkbook wb, String sheetName, Map<Integer, String> mapCol) {HSSFSheet sheet01 = wb.createSheet(sheetName);
HSSFRow row = sheet01.createRow(0);
HSSFCell cell;
int i = 0;
for (Map.Entry<Integer, String> entry : mapCol.entrySet()) {cell = row.createCell(i++);
cell.setCellValue(entry.getValue());
}
return sheet01;
}
public void POIBuildBody(HSSFSheet sheet01, Class<T> excelClass, Map<Integer, String> mapMethod, List<T> dataList) throws Exception {
HSSFRow r = null;
HSSFCell c = null;
if (dataList != null && dataList.size() > 0) {for (int i = 0; i < dataList.size(); i++) {r = sheet01.createRow(i + 1);
int j = 0;
for (Map.Entry<Integer, String> entry : mapMethod.entrySet()) {c = r.createCell(j++);
Object obj = excelClass.getDeclaredMethod(entry.getValue()).invoke(dataList.get(i));
c.setCellValue(obj == null ? "": obj +"");
}
}
}
}
}PostMan 测试导出，成果如下。
哎呦，能够。
数据尽管导出了，然而发现一个问题。数据少了？之前用 python 取到的数据明明是九十多条。为啥这次只申请到了 20 多条？有点怪哦。
认真看了下界面，原来是因为页面换为了慢加载。当你滑到最下方的时候请求分页的。
嗷嗷，原来是这样啊。不过，既然看到了接口，那就 ….. 用 postMan 调下白。
我 giao，这径直拿到数据了啊 …..
So，还有一种办法。就是间接 Http 申请这个接口，把分页的条数设置大点就好了。
示例代码如下：
public List<BlogVo> blogHttp() {List<BlogVo> list = new ArrayList<>();
String s = HttpClientUtils.doGetRequest("https://blog.csdn.net/community/home-api/v1/get-business-list?page=1&size=300&businessType=blog&orderby=&noMore=false&username=weixin_43770545", null, null, null);
RespDTO blogDTO = JSON.parseObject(s, RespDTO.class);
DataEntity data = blogDTO.getData();
data.getList().forEach(item -> {BlogVo blogVo = new BlogVo();
blogVo.setUrl(item.getUrl());
blogVo.setTitle(item.getTitle());
list.add(blogVo);
});
return list;
}成果如下，本人尝试哈。你懂得 …….
害，就先这样吧！别学坏哈 …..