基于lucene的案例开发：纵横小说简介页采集

转载请注明出处：http://blog.csdn.net/xiaojimanman/article/details/44851419

http://www.llwjy.com/blogdetail/1b5ae17c513d127838c2e02102b5bb87.html

个人博客站已经上线了，网址 www.llwjy.com ~欢迎各位吐槽~

-------------------------------------------------------------------------------------------------

在上一篇博客中，我们已经对纵横中文小说的更新列表页做了简单的采集，获得了小说简介页的URL，因此这篇博客我们就介绍纵横中文小说简介页信息的采集，事例地址：http://book.zongheng.com/book/362857.html

页面分析

在开始之前，建议个人先看一下简介页的样子，下图只是我们要采集的信息所在的区域。

在这一部分，我们需要获取书名、作者名、分类、字数、简介、最新章节名、章节页URL和标签等信息。在页面上，我们通过鼠标右键--查看网页源代码 发现下面一个现象

纵横小说为了做360的seo，把小说的一些关键信息放到head中，这样就大大减少我们下正则的复杂度，由于这几个正则大同小异，所以就只用书名做简单的介绍，其余的正则可以参照后面的源代码。 这里的书名在上述截图中的33行，我们需要提取中间的
飞仙诀 信息，因此我们提取该信息的正则表达式为” <meta name="og:novel:book_name" content="(.*?)"/> “ ，其他信息和此正则类似。通过上图这部分源代码我们可以轻易的获取书名、作者名、最新章节、简介、分类和章节列表页URL，对于标签和字数这两个字段，我们就需要继续分析下面的源代码。通过简单的查找，我们可以找到下图中的源代码，这里就包含我们需要的字数和标签两个属性。

对于字数这个属性，我们可以通过简单的正则表达式 ” <span itemprop="wordCount">(\d*?)</span> “ 获取，而对于标签这个属性，我们需要通过两步才能得到想要的内容。

第一步：获取keyword所在的html代码，也就是上图中的234行，这一步的正则表达式为 ”
<div class="keyword">(.*?)</div> “；

第二步：对第一步获得的部分html做进一步提取，获取想要的内容，这一步的正则表达式为 ”
<a.*?>(.*?)</a> “。

代码实现

对于非更新列表也的网页信息采集，我们统一继承CrawlBase类，对于如何伪装可以参照上一篇博客，这里就重点介绍DoRegex类中的两个方法

方法一：

String getFirstString(String dealStr, String regexStr, int n)

这里的第一个参数是要处理的字符串，这里也就是网页源代码，第二个参数是要查找内容的正则表达式，第三个参数是要提取的内容在正则表达式中的位置，函数的功能是从指定的字符串中查找与正则第一个匹配的内容，返回指定的提取信息。

方法二：

String getString(String dealStr, String regexStr, String splitStr, int n)

这里的第1、2、4参数分别对应方法一中的第1、2、3参数，参数splitStr的意义是分隔符，函数的功能是在指定的字符串中查找与正则表达式匹配的内容，之间用指定的分隔符隔开。

运行结果

源代码

通过对上面两个方法的介绍，相信对于下面的源代码也会很简单。

 /**
 *@Description:  简介页
 */
package com.lulei.crawl.novel.zongheng;  

import java.io.IOException;
import java.util.HashMap;

import com.lulei.crawl.CrawlBase;
import com.lulei.util.DoRegex;
import com.lulei.util.ParseUtil;

public class IntroPage extends CrawlBase {
	private static final String NAME = "<meta name=\"og:novel:book_name\" content=\"(.*?)\"/> ";
	private static final String AUTHOR = "<meta name=\"og:novel:author\" content=\"(.*?)\"/> ";
	private static final String DESC = "<meta property=\"og:description\" content=\"(.*?)\"/> ";
	private static final String TYPE = "<meta name=\"og:novel:category\" content=\"(.*?)\"/> ";
	private static final String LATESTCHAPTER = "<meta name=\"og:novel:latest_chapter_name\" content=\"(.*?)\"/> ";
	private static final String CHAPTERLISTURL = "<meta name=\"og:novel:read_url\" content=\"(.*?)\"/> ";
	private static final String WORDCOUNT = "<span itemprop=\"wordCount\">(\\d*?)</span>";
	private static final String KEYWORDS = "<div class=\"keyword\">(.*?)</div>";
	private static final String KEYWORD = "<a.*?>(.*?)</a>";
	private String pageUrl;

	private static HashMap<String, String> params;
	/**
	 * 添加相关头信息，对请求进行伪装
	 */
	static {
		params = new HashMap<String, String>();
		params.put("Referer", "http://book.zongheng.com");
		params.put("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.125 Safari/537.36");
	}

	public IntroPage(String url) throws IOException {
		readPageByGet(url, "utf-8", params);
		this.pageUrl = url;
	}

	/**
	 * @return
	 * @Author:lulei
	 * @Description: 获取书名
	 */
	private String getName() {
		return DoRegex.getFirstString(getPageSourceCode(), NAME, 1);
	}

	/**
	 * @return
	 * @Author:lulei
	 * @Description: 获取作者名
	 */
	private String getAuthor() {
		return DoRegex.getFirstString(getPageSourceCode(), AUTHOR, 1);
	}

	/**
	 * @return
	 * @Author:lulei
	 * @Description: 书籍简介
	 */
	private String getDesc() {
		return DoRegex.getFirstString(getPageSourceCode(), DESC, 1);
	}

	/**
	 * @return
	 * @Author:lulei
	 * @Description: 书籍分类
	 */
	private String getType() {
		return DoRegex.getFirstString(getPageSourceCode(), TYPE, 1);
	}

	/**
	 * @return
	 * @Author:lulei
	 * @Description: 最新章节
	 */
	private String getLatestChapter() {
		return DoRegex.getFirstString(getPageSourceCode(), LATESTCHAPTER, 1);
	}

	/**
	 * @return
	 * @Author:lulei
	 * @Description: 章节列表页Url
	 */
	private String getChapterListUrl() {
		return DoRegex.getFirstString(getPageSourceCode(), CHAPTERLISTURL, 1);
	}

	/**
	 * @return
	 * @Author:lulei
	 * @Description: 字数
	 */
	private int getWordCount() {
		String wordCount = DoRegex.getFirstString(getPageSourceCode(), WORDCOUNT, 1);
		return ParseUtil.parseStringToInt(wordCount, 0);
	}

	/**
	 * @return
	 * @Author:lulei
	 * @Description: 标签
	 */
	private String keyWords() {
		String keyHtml = DoRegex.getFirstString(getPageSourceCode(), KEYWORDS, 1);
		return DoRegex.getString(keyHtml, KEYWORD, " ", 1);
	}

	public static void main(String[] args) throws IOException {
		// TODO Auto-generated method stub
		IntroPage intro = new IntroPage("http://book.zongheng.com/book/362857.html");
		System.out.println(intro.pageUrl);
		System.out.println(intro.getName());
		System.out.println(intro.getAuthor());
		System.out.println(intro.getDesc());
		System.out.println(intro.getType());
		System.out.println(intro.getLatestChapter());
		System.out.println(intro.getChapterListUrl());
		System.out.println(intro.getWordCount());
		System.out.println(intro.keyWords());
	}

}

----------------------------------------------------------------------------------------------------

ps:最近发现其他网站可能会对博客转载，上面并没有源链接，如想查看更多关于 基于lucene的案例开发 请点击这里。或访问网址http://blog.csdn.net/xiaojimanman/article/category/2841877 或 http://www.llwjy.com/blogtype/lucene.html