栗子-爬取开源中国的开源资讯

介绍

为了演示Hutool-http的http请求功能，因此这个栗子用红薯家的开源资讯开刀，在此做个简单的Demo。

开始

分析页面

• 打开红薯家的主页，我们找到最显眼的开源资讯模块，然后点击“更多”，打开“开源资讯”板块。
• 打开F12调试器，点击快捷键F12打开Chrome的调试器，点击“Network”选项卡，然后在页面上点击“全部资讯”。

• 由于红薯家的列表页是通过下拉翻页的，因此下拉到底部会触发第二页的加载，此时我们下拉到底部，然后观察调试器中是否有新的请求出现。如图，我们发现第二个请求是列表页的第二页。
• 我们打开这个请求地址，可以看到纯纯的内容。红框所指地址为第二页的内容，很明显p参数代表了页码page。
• 我们右键点击后查看源码，可以看到源码。
• 找到标题部门的HTML源码，然后搜索这个包围这个标题的HTML部分，看是否可以定位标题。

至此分析完毕，我们拿到了列表页的地址，也拿到了可以定位标题的相关字符（在后面用正则提取标题用），就可以开始使用Hutool编码了。

模拟Http请求爬取页面

使用Hutool-http配合ReUtil请求并提取页面内容非常简单，代码如下：

//请求列表页
String listContent = HttpUtil.get("https://www.oschina.net/action/ajax/get_more_news_list?newsType=&p=2");
//使用正则获取所有标题
List<String> titles = ReUtil.findAll("<span class=\"text-ellipsis\">(.*?)</span>", listContent, 1);
for (String title : titles) {
    //打印标题
    Console.log(title);
}

抓取结果为：

其实核心就前两行代码，第一行请求页面内容，第二行正则定位所有标题行并提取标题部分。

这里我解释下正则部分：ReUtil.findAll方法用于查找所有匹配正则表达式的内容部分，第二个参数1表示提取第一个括号（分组）中的内容，0表示提取所有正则匹配到的内容。这个方法可以看下core模块中ReUtil章节了解详情。

<span class=\"text-ellipsis\">(.?)</span>这个正则就是我们上面分析页面源码后得到的正则，其中(.?)表示我们需要的内容，.表示任意字符，*表示0个或多个，?表示最短匹配，整个正则的意思就是。，以<span class=\"text-ellipsis\">开头，</span>结尾的中间所有字符，中间的字符要达到最短。?的作用其实就是将范围限制到最小，不然</span>很可能匹配到后面去了。

关于正则表达式这块可以看下我的博客：正则表达式简明参考

结语

不得不说，抓取本身并不困难，尤其配合Hutool会让这项工作变得更加简单快速，而其中的难点便是分析页面和定位我们需要的内容。

真正的内容抓取分为连个部分：

• 找到列表页（很多网站都没有一个总的列表页）
• 请求列表页，获取详情页地址
• 请求详情页并使用正则匹配我们需要的内容
• 入库或将内容保存为文件而且在抓取过程中我们也会遇到各种问题，包括但不限于：
• 封IP
• 对请求Header有特殊要求
• 对Cookie有特殊要求
• 验证码这些问题都有一些解决办法，具体要在具体的开发中分析解决。

希望大家看到这个栗子有所启发，也为Hutool提供更多更好的意见~