【教你写爬虫】用Java爬虫爬取百度搜索结果！可爬10w+条！

一、爬取目标

大家好，我是盆子。今天这篇文章来讲解一下：使用Java爬虫爬取百度搜索结果。

首先，展示爬取的数据，如下图。

爬取结果1:

爬取结果2:

代码爬取展示:

可以看到，上面爬取了五个字段，包括

标题，原文链接地址，链接来源，简介信息，发布时间。

二、爬取分析

用到的技术栈，主要有这些

Puppeteer 网页自动化工具
Jsoup 浏览器元素解析器
Mybatis-Plus 数据库存储

2.1 网页结构分析

打开百度搜索，搜索“手机”二字，可以看到下面这样的搜索结果，我们需要爬的信息都在上面。

爬取网页元素分析1:*

*尝试去分析它的网页结构：

爬取网页元素分析2:

打开控制台F12，可以看到这个 class =“result c-container xpath-log new-pmd” 所在的 div 标签就包含我们要爬取的所有信息。

那就很简单了，我们只需要去这个div里面，将需要的元素 (字段) 信息挨个的获取即可。

同理，这个结构也就是百度搜索结果的通用结构，其他的搜索结果中，也可以通过该 class 去定位。

2.2 爬虫代码分析

首先，这是我们代码的核心依赖：

    <dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>1.16.2</version>
    </dependency>

    <dependency>
        <groupId>io.github.fanyong920</groupId>
        <artifactId>jvppeteer</artifactId>
        <version>1.1.5</version>
    </dependency>

    <dependency>
        <groupId>com.baomidou</groupId>
        <artifactId>mybatis-plus-boot-starter</artifactId>
        <version>${mybaits.plus.version}</version>
    </dependency>

初始化浏览器，并且打开百度搜索页

        // 初始化浏览器相关
        BrowserFetcher.downloadIfNotExist(null);
        ArrayList<String> argList = new ArrayList<>();
        LaunchOptions options = new LaunchOptionsBuilder().withArgs(argList).withHeadless(false).build();
        argList.add("--no-sandbox");
        argList.add("--disable-setuid-sandbox");
        System.out.println("==1=");
        Browser browser = Puppeteer.launch(options);

        // 打开页面，开爬
        Page page = browser.newPage();
        page.goTo("https://www.baidu.com/");

运行上述代码，就会弹出一个浏览器(受我们代码控制)，并且打开百度搜索页面

找出页面元素，并且模拟人工搜索关键字、点击搜索按钮的操作

        // 模拟人工搜索关键字
        ElementHandle inputField = page.$("#kw");
        inputField.type("手机");
        // 模拟人工点击搜索按钮
        ElementHandle confirmSearch = page.$("#su");
        confirmSearch.click();

此时，浏览器页面已经按照你的搜索关键词开始搜索了。

用代码解析页面

    // 获取页面所有内容(HTML格式)
    String content = page.content();
    // 解析页面元素，方便后面定位
    Document document = Jsoup.parse(content);
    // 找出我们上面说的那个class所在的div标签
    Elements elements = document.getElementsByClass("result c-container xpath-log new-pmd");

    // 去 class所在的div标签中找出需要的 字段信息
    for (int i = 0; i < elements.size(); i++) {
        Element element = elements.get(i);
        String title = element.getElementsByTag("a").text();
        String keyword = StrUtil.sub(title, 0, 7);
        // 将关键词存储到队列中，后续可使用
        keyWordsQueue.offer(keyword);
        String href = element.getElementsByTag("a").attr("href");
        // ...找出其他字段
        System.out.println(dataInfo);
    }

至此，一个关键词的爬取就已经完成，如果想要继续爬取关键词，我们继续搜索其他关键词，并且重复上述操作即可。

完整代码中，还包随机等待时长、解析其他字段、保存数据、多个关键字同时爬取等关键逻辑，详见文末。

三、总结

在爬虫中，无非就是模拟人的操作过程，去做相关操作，获取数据。

通过上文介绍的方式，我们是使用一种更具有通用型的方式去爬取数据。因为Puppeteer只是代理人手工点击的方式，而拿到数据。

上述完整代码，可以留言私信我获取。

本文由博客一文多发平台 OpenWrite 发布！