Spring Boot 慕课网爬虫

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;
      }
  }
  

• 　

原文地址：https://www.cnblogs.com/LeeHc/p/9426642.html