【Java爬虫】学爬虫从简单的开始，无门槛小白都能学会，带你爬取豆瓣电影Top250

闲扯几句

大家好，本期我准备了一篇爬虫的教程，也是从最基础的网页爬虫开始，给大家讲讲网页爬虫的小技巧。

看到网上很多的爬虫代码都是基于python的，那作为一名Java工程师的我就有点不服气了，Java难道不能做爬虫吗？我想写个爬虫是不是还得先学会python？程序员的头发不知道多宝贵吗？花那么多时间学习语言，是想造孽啊？救救孩子吧，救救我我本来就日渐稀疏的头发吧。

我命由我不由天，我今天就自己来试试看，看看Java写个爬虫是有多费劲？看懂的朋友别忘记给我个三连哈，毕竟我是堵上了咱们Java程序员的荣誉在奋战！奥利给！

网页分析

话不多说，开整！

先打开我要爬取数据的网页：豆瓣电影Top250

我们先来分析一下这个网页，看看哪些数据比较有价值。

以No.1的经典越狱电影《肖申克的救赎》举例子，我们可以看到的数据有：

排名
电影名称
导演和演员信息
电影上映年份
电影所属的国家
电影类型
电影评分
电影评价数
电影简评

OK，分析完一个网页结构，确定好了我们需要的数据，那么我们准备开始写程序批量抓取了。

思路讲解

写代码之前，我们先不要着急，先理一理思路。你知道，写代码最重要的就是思路，思路理顺了，可以说你的代码已经完成了一半。那剩下的一半干嘛？写bug，调bug呗🤣

打开网页豆瓣电影Top250按下 f12，看到下面这个界面

我们一起来分析一下数据，讲一讲怎么抓取。

点击左上角这个箭头，然后选中网页对应的位置，在下面就会出现这个位置对应的html代码。

先整体看一下，可以看到每个电影都是一个 <li> 标签，在这个li标签里面存放着这个电影相关的全部html代码：

再打开li标签，可以看到，每个li标签里面都是一个 class='item'的div，这个div就是我们需要获取数据的最外层div了。然后我们从这个div往下看，找到对应数据存放的标签即可。

比如这个电影排名：

我们可以从下面的 em 标签里面找到，那我们只需要一层层往下解析这个html代码，找到这个 em标签，获取出里面的文本就行了。其他的数据也是异曲同工，我们可以按照这个套路都找一下对应的标签的位置，然后抓取。
怎么样，很简单是吧？那么下面就开始写bug吧

撸代码

写代码之前先喝杯咖啡，润润肺，找找灵感，你知道5k程序员和50k程序员的差别在哪里吗？

仪式感！ 我跟你说，仪式感非常重要，包括生活中也是，你不能把自己过成穷屌丝的样子，要不然这辈子抬不起头来，你要假装自己是亿万富翁，然后你会发现自己一穷二白…

咳咳，扯远了，继续回到正题哈。

我这次使用的插件是 Jsoup，相信很多小伙伴都听说过它的大名啊，没错，它是一个非常适合做网页html解析的第三方类库，而且它可以直接连接目标网址，获取数据，无需使用其他的http请求工具，非常的方便，适合小白。

第一步：创建maven工程

为什么使用maven工程？

那还用问啊，当然是方便啊，我总不能去网上下载jar包导进idea吧，那太low了，不符合我的气质啊，所以你自己拿捏了哈，同学。

创建maven工程具体的步骤我就不在这里赘述了，网上教程一搜一大堆。我们创建好工程后直接在pom里导入依赖：

<dependency>
   <groupId>org.jsoup</groupId>
   <artifactId>jsoup</artifactId>
   <version>1.13.1</version>
</dependency>

对，是她了，我们的主角jsoup。

接下来就开始撸了呗。因为我们请求的所有数据分为10页，所以我们写个循环，从0开始：

第一页的url是这样的：https://movie.douban.com/top250?start=0&filter=

第二页的url是这样的：https://movie.douban.com/top250?start=25&filter=

可以看出来，通过 start 这个参数可以控制切换分页，那么我们就在循环里制造这样的参数：

java">for (int i = 0; i < 10; i++) {
	int page = i * 25;  // 制造分页参数
}

下面就开始通过Jsoup发送http请求获取网页html代码，这里的document就是整个文档对象，我们可以从中获取各种标签的数据。

java"> Document document = Jsoup.connect("https://movie.douban.com/top250?start="+ page).get();

拿到文档对象后，我们就获取每个电影的div，分析网页可以看到，它的class是item

所以我们通过getElementsByClass方法批量从网页中获取class=item的元素：

java">Elements items = document.getElementsByClass("item");  // 批量获取当前页中class=item的元素

然后开始遍历所有的item，依次获取他们的电影相关的数据：

java">for (Element item : items) {
	// 每个item中都包含当前电影的所有数据
}

再来分析网页，依次拿到我们需要的数据

电影排名

很简单啊，直接获取item中第一个em标签的文本就可以了：

java">String num = item.getElementsByTag("em").get(0).text();

电影名称

获取item 下的第一个class=hd div的第一个span的文本

java">String title = item.getElementsByClass("hd").get(0).getElementsByTag("span").get(0).text();

演员信息、电影年份、国家、电影类型

注意这里，演员信息在一个p标签里，但是p标签的文本分成了两部分，用 <br>隔开，所以我们先要获取到 p 标签的html文本，然后根据 <br> 多html文本进行分割，分别获取演员信息和电影年份、国家、电影类型等数据：

java">String bd = item.getElementsByClass("bd").get(0).getElementsByTag("p").get(0).html();
String actor = bd.split("<br>")[0].replaceAll("&nbsp;", " "); // 演员信息，注意替换空格符号
String info = bd.split("<br>")[1].replaceAll("&nbsp;", " ");
String[] infos = info.split("/");   // 下面的三个数据通过 '/' 来分割
String year = infos[0].trim();   // 电影年份
String country = infos[1].trim();   // 国家
String type = infos[2].trim();   // 电影类型

电影评分

这个就比较简单了，直接获取第一个 class=rating_num 标签的文本就可以了：

java">String ratingNum = item.getElementsByClass("rating_num").get(0).text(); // 获取评分

电影简评

这个跟评分类似，获取第一个 calss=quote 标签的文本就可以了：

java">String quote = item.getElementsByClass("quote").get(0).text();

Ok，到这里所有的代码就写完了，怎么样，是不是跟着思路走分析起来很容易呢？你自己可以试试哦，这里是完整的代码：

java">for (int i = 0; i < 10; i++) {
            int page = i * 25;
            Document document = Jsoup.connect("https://movie.douban.com/top250?start="+ page).get();
            Elements items = document.getElementsByClass("item");
            for (Element item : items) {
                String num = item.getElementsByTag("em").get(0).text();
                String title = item.getElementsByClass("hd").get(0).getElementsByTag("span").get(0).text();
                String bd = item.getElementsByClass("bd").get(0).getElementsByTag("p").get(0).html();
                String actor = bd.split("<br>")[0].replaceAll("&nbsp;", " ");
                String info = bd.split("<br>")[1].replaceAll("&nbsp;", " ");
                String[] infos = info.split("/");
                String year = infos[0].trim();
                String country = infos[1].trim();
                String type = infos[2].trim();
                String ratingNum = item.getElementsByClass("rating_num").get(0).text();
                String quote = item.getElementsByClass("quote").get(0).text();

                System.out.println("电影名次: " + num);
                System.out.println("电影标题: " + title);
                System.out.println("电影演员: " + actor);
                System.out.println("电影年份: " + year);
                System.out.println("国家: " + country);
                System.out.println("电影类型: " + type);
                System.out.println("电影评分: " + ratingNum);
                System.out.println("电影简评: " + quote);
                System.out.println("============================================");
            }
        }

写完之后，我们运行一下代码，看看代码有没有问题。

果然，出问题了，哈哈哈，很快哈，啪的一下就出来了。

这是个啥错误？

一看，数组越界了，我心中已经猜想到答案了，肯定是获取的数据缺少了点什么导致的。我们定位到问题行：25，也就是这段代码：

java">String quote = item.getElementsByClass("quote").get(0).text();

获取简评失败了。

再看是第几个电影的数据出问题：

第200个电影是好的，那就是说它的下一个 201 出问题了。我们翻到这一页看下网页是啥样的：

果然，这个名叫 哈利·波特与火焰杯 的电影没有简介，那就是说没这个标签啊，怪不得获取失败了。

那咋办呢？我们这里就需要对异常信息进行一个处理，不能让程序中断。

java">String quote = "";
if (item.getElementsByClass("quote").size() > 0) {
    quote = item.getElementsByClass("quote").get(0).text();
}

再跑一次：

程序完整运行下来了，而且电影信息全部拿到了，也就是说我们这次关于豆瓣电影 top250的数据爬取成功了。

结尾

好了，以上就是我这期给您带来的一个Java爬虫入门小案例。从需求分析到思路整理再到代码细节、错误处理都有非常详细的解析说明，并且代码执行的每一步都配置了图片说明哦。你说，我是不是个贴心的大暖男🥰

后期我会更新更多关于Java爬虫的小案例带你一起学习、提升，发现更多有趣的事情，别忘记关注我哟😋

希望这个冬天里，有我你不再寒冷；
希望漆黑夜晚里，有我你不再孤独。

我是程序员青戈，一个有情怀、有理想的一线码农，先后在IBM、阿里、科大讯飞采坑~

欢迎您关注我的个人原创公众号：Java学习指南，这里只分享知识干货，不贩卖焦虑，有温度、有深度。

感谢您的阅读，我们下期再见~