使用 jsoup 爬取数据

一、由于工做安排，临时让我这从没摸过爬虫的人爬数据，过程吧，还算能够，网上开源的有，加上伟大的群友的帮忙，算是出了一版运行结果正确的爬虫，如今记录下，有什么隐患，欢迎广大同行批评指正。

二、代码结构：

如上图，结构很简单，引用了jsoup jar包，Rule类具体的爬虫代码，Air类是要获取的页面数据实体类。

三、代码：

Air.java:

package com.zyy.splider.rule;

public class Air {
    String indexNo ;//序号
    String city;//城市
    String date; //日期
    String aqi; //AQI指数
    String level;//空气质量级别
    String prev;//首要污染物
    public Air(
            String indexNo,
            String city,
            String date,
            String aqi,
            String level,
            String prev){
        this.indexNo = indexNo;
        this.city = city;
        this.date = date;
        this.aqi = aqi;
        this.level = level;
        this.prev = prev;
    }
    public String getIndexNo() {
        return indexNo;
    }
    public void setIndexNo(String indexNo) {
        this.indexNo = indexNo;
    }
    public String getCity() {
        return city;
    }
    public void setCity(String city) {
        this.city = city;
    }
    public String getDate() {
        return date;
    }
    public void setDate(String date) {
        this.date = date;
    }
    public String getAqi() {
        return aqi;
    }
    public void setAqi(String aqi) {
        this.aqi = aqi;
    }
    public String getLevel() {
        return level;
    }
    public void setLevel(String level) {
        this.level = level;
    }
    public String getPrev() {
        return prev;
    }
    public void setPrev(String prev) {
        this.prev = prev;
    }
    
}
 

 

Rule.java

package com.zyy.splider.rule;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

/*
 * 规则类
 * 用于指定url，method，params等
 */
public class Rule {
    
    public static void main(String[] args) throws Exception {
        crawler();
       
    }
    //爬取
    public static void crawler() throws Exception{
        
        List<Air> cityInfo = new ArrayList<Air>();
        int index = 1;
        int line = 1;
        for(int i = 1;i < 14;i ++){
            
            System.out.println("==================================================" + i);
            String root_url="http://datacenter.mep.gov.cn/report/air_daily/air_dairy.jsp?page=" + i;
            
            Document document=Jsoup.connect(root_url).timeout(3000000).get();
            System.out.println("*****************************************");
            Elements links=document.getElementsByClass("report1_5");
            //Elements links = document.select("#report1 .report1_5");
            
            String indexNo = null ;//序号
            String city = null;//城市
            String date = null; //日期
            String aqi = null; //AQI指数
            String level = null;//空气质量级别
            String prev;//首要污染物
            for(Element link:links){
                System.out.println( link.text());
                
                if(index % 6 == 1){//序号
                     //air.setIndexNo(link.text()) ;
                    indexNo = link.text();
                }else if(index % 6 == 2){//城市
                    //air.setCity(link.text());
                    city = link.text();
                }else if(index % 6 == 3){ //日期
                    //air.setDate(link.text());
                    date = link.text();
                }else if(index % 6 == 4){ //AQI指数
                    //air.setAqi(link.text());
                    aqi = link.text();
                }else if(index % 6 == 5){ //空气质量级别
                    //air.setLevel(link.text());
                    level = link.text();
                }else if(index % 6 == 0){ //首要污染物
                    //air.setPrev(link.text());
                    prev= link.text();
                    //将air信息保存到cityInfo列表
                    cityInfo.add(new Air(indexNo, city, date, aqi, level, prev));
                    line ++;//表示一行结束，行号+1
                }
                index ++;
            }
            
        }
        
        //打印cityInfo中的信息
        for(int i = 0;i < cityInfo.size();i ++){
            System.out.println("第" + i + "条数据--------------------------------->");
            System.out.println("序号：" + cityInfo.get(i).getIndexNo());
            System.out.println("城市：" + cityInfo.get(i).getCity());
            System.out.println("日期：" + cityInfo.get(i).getDate());
            System.out.println("AQI指数：" + cityInfo.get(i).getAqi());
            System.out.println("空气质量级别：" + cityInfo.get(i).getLevel());
            System.out.println("首要污染物：" + cityInfo.get(i).getPrev());
        }
            
        }
    }
    
    
}
 

四、也不知道这算不算一个爬虫程序，反正要的数据算是都有了，代码很简单，运行测试真心痛苦，由于有分页，每页显示条数仍是网站定死的，因此只能连发13个请求获取每页的数据，可能由于那个网站属于政府的网站，速度慢到死，，这里简单记录下，但愿这是第一次也是最后一次爬网站。。。。。。