Spring Boot 慕课网爬虫

Posted just Coding

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Spring Boot 慕课网爬虫相关的知识,希望对你有一定的参考价值。

 

一、项目简介(Demo简介)

  慕课网。。。打了三个字,还是不介绍了避免广告。一个简单爬虫该网站的demo。

  地址:https://www.imooc.com/course/list?c=springboot

二、项目结构

   项目多层架构:common层,controller层,entity层,repository层,由于Demo比较简单就没有细分那么多了(偷懒)。

  

三、项目说明

F12 查看页面html结构,发现如下

本次我只抽取了 课程名称,url,等级,描述四个字段。

  • 数据库,创建imooc_spider数据库,表course。
  • JPA,这里我结合Spring boot JPA,application.yml配置如下。创建对应的CourseEntiy
  •  


  • @Entity @Table(name = "course") public class CourseEntity { @Id @GeneratedValue private Integer id; private String name; private String url; private String desc; private String level; }

      

  • 解析html。http请求这里就不介绍了,重点就是解析html,采用Jsoup,当然也可以使用正则,但是我觉得Jsoup比较直观方便操作。解析的代码要结合页面上的html。
  • div[class=clearfix] 代表页面 <div class="clearfix">
    如果直接<div class="clearfix"> 会提示找不到改节点
  • package com.jet.imoocspider.common;
    
    import java.util.ArrayList;
    import java.util.List;
    
    import com.jet.imoocspider.entity.CourseEntity;
    import org.jsoup.Jsoup;
    import org.jsoup.nodes.Document;
    import org.jsoup.nodes.Element;
    import org.jsoup.select.Elements;
    
    public class HtmlParse {
    
        public static List<CourseEntity> getData (String html) throws Exception{
            //获取的数据,存放在集合中
            List<CourseEntity> data = new ArrayList<CourseEntity>();
            //采用Jsoup解析
            Document doc = Jsoup.parse(html);
            //获取html标签中的内容
            Elements elements=doc.select("div[class=clearfix]").select("div[class=course-card-container]").select("a[class=course-card]");
            for (Element ele:elements) {
                String url="https://www.imooc.com".concat(ele.attr("href"));
                String name=ele.select("div[class=courseEntity-card-content]").select("h3[class=courseEntity-card-name]").html();
                Elements elementLevelParent=ele.select("div[class=courseEntity-card-content]").select("div[class=clearfix courseEntity-card-bottom]");
                String level=elementLevelParent.select("div[class=courseEntity-card-info]").tagName("span").first().text();
                String desc=elementLevelParent .select("p[class=courseEntity-card-desc]").text();
    
                CourseEntity courseEntity =new CourseEntity();
                courseEntity.setDesc(desc);
                courseEntity.setUrl(url);
                courseEntity.setName(name);
                courseEntity.setLevel(level);
    
    
                //将每一个对象的值,保存到List集合中
                data.add(courseEntity);
            }
            //返回数据
            return data;
        }
    }
    

     

  •  

     

 

以上是关于Spring Boot 慕课网爬虫的主要内容,如果未能解决你的问题,请参考以下文章

Scrapy分布式爬虫打造搜索引擎(慕课网)--爬取知乎

spring慕课网

慕课网视频破解付费分享-前端开发-Python等

慕课网学习node.js

spring boot 基础之使用AOP统一处理请求日志使用方法

JavaScript入门--慕课网学习笔记