基于Java的XxlCrawler网络信息爬取实战-以中国地震台网为例

2024-04-17 08:33:36

目录

前言

一、信息网站介绍

1、网站介绍

2、 地震历史信息

3、 历史信息接口分析

二、XxlCrawler组件

1、关于XxlCrawler

2、核心概念介绍

三、实际信息爬取

1、新建maven项目

     2、新建model层对象

3、实际爬取

总结

前言

        如今，只要谈起网络信息爬取也就是爬虫，相信绝大多数人的第一反应就是Python。确实Python在信息爬取方面资料很多，内容很丰富，同时案例也很丰富。爬虫技术是一门有一定门槛的技术。而在网络请求当中，不管是出于攻方或者是守方。有一句话是，你站在桥上看风景，看风景的人站在楼上看你。在获取信息和作为信息源头提供信息，如今都已经家常便饭，习以为常。你可以使用熟悉的语言和技术栈来实现爬虫，去爬取相应的知识，但是要用于正当目的。

        在之前的博客当中，我们介绍了一些地震相关的博客，想把地震种类的地质灾害作为GIS的时空数据源来和人类活动轨迹和生活范围进行关联分析，为人类提供安全保障，为较少财产损失贡献自己的力量。为了对地震有更多的认识，我们需要将地震信息进行详细的搜集。通过长时序的地震信息搜集，为进一步的数据挖掘提供坚实的数据基础。由此，我们需要从中国地震台网挖掘。楼主采用熟悉的java技术栈，通过java语言去获取中国地震台网的信息。

        本文将主要讲解使用Java语言结合XxlCrawler框架进行信息的抓取。首先讲解目标网站的相关信息，分析内容和需要抓取的链接地址，URL的构造，然后介绍XxlCrawler这个组件的相关使用情况，最后使用代码进行实际信息抓取的开发。方便大家对如何使用Java和XxlCrawler来实现信息爬取有一定的参考和指导。

一、信息网站介绍

        本节对中国地震台网进行简要介绍。

1、网站介绍

        CEIC.ac.cn是在中国地震台网中心资助科研项目的研究成果，它于2006年1月上线运行，之后陆续完善。根据中国 地震局监测预报司的要求（2008年第168号文件），网站从现在起用于地震信息及其相关数据产品的发布，根据要求，新 版网站于2009年5月起正式运行。中国地震台网中心于2004年10月18日成立，它是中国地震局直属事业单位，是我国防震减灾工作的重要业务枢纽、 核心技术平台和基础信息国际交流的重要窗口。中国地震台网中心承担着全国地震监测、地震中短期预测和地震速报；国 务院抗震救灾指挥部应急响应和指挥决策技术系统的建设和运行；全国各级地震台网的业务指导和管理；各类地震监测数 据的汇集、处理与服务。

2、 地震历史信息

        在地震历史中可以查询到近10年的地震信息，可以在官方网站中打开历史查询tab页。默认不输入任何条件，查询近期的地震信息。界面如下所示：

        这就是地震信息，我们如果想要得到这信息，也就是根据接口把相应的历史信息取到即可。下面来看一下系统是怎么获取到这些信息的。

3、 历史信息接口分析

        在上面的网页中，来看一下具体的信息获取接口。在谷歌浏览器中打开检查选项。

        可以很清楚的看到，点击查询按钮之后。它的网络接口是：

https://www.ceic.ac.cn/ajax/search?page=1&&start=&&end=&&jingdu1=&&jingdu2=&&weidu1=&&weidu2=&&height1=&&height2=&&zhenji1=&&zhenji2=&&callback=jQuery180015104370237141462_1713018372132&_=1713018820900

         在这个接口中，有一个page的页数控制，通过这个参数来进行分页。因此我们只需要在请求中模拟页数的传递即可获取相应的数据。

        将上述的地址复制到浏览器中，可以看到以下的返回响应数据。

        数据的主要信息包含以下：

 

AUTO_FLAG: "M"
CATA_ID: "CD20240413222636.00"
CATA_TYPE: ""
EPI_DEPTH: 9
EPI_LAT: "24.05"
EPI_LON: "121.60"
EQ_CATA_TYPE: ""
EQ_TYPE: "M"
IS_DEL: ""
LOCATION_C: "*花莲县"
LOCATION_S: ""
LOC_STN: "0"
M: "4.2"
M_MB: "0"
M_MB2: "0"
M_ML: "0"
M_MS: "0"
M_MS7: "0"
NEW_DID: "CD20240413222636"
O_TIME: "2024-04-13 22:26:35"
O_TIME_FRA: "0"
SAVE_TIME: "2024-04-13 22:35:56"
SUM_STN: "0"
SYNC_TIME: "2024-04-13 22:35:56"
id: "46396"

        其主要的信息包括num即数据总页数，是按照每页20条数据来展示的，还有page分页条，对于数据爬取，分页条信息不是最重要的，最重要是shuju，在接口中以shuju字段来返回。以上信息非常重要，在后续的信息爬取过程当中很重要。

二、XxlCrawler组件

        本小节将重点介绍一个信息爬取框架XxlCrawler，通过这个框架来爬取相关信息。关于XxlCrawler，在其官网网站上有一定的介绍，这里不做很深入的介绍。

1、关于XxlCrawler

         XXL-CRAWLER 是一个分布式爬虫框架。一行代码开发一个分布式爬虫，拥有”多线程、异步、IP动态代理、分布式、JS渲染”等特性；这是一位技术功底很深厚的专家贡献的开源框架。xxl-crawler。除了信息爬取框架，还有其它很有用的组件。下面是它的核心架构图：

        XXL-CRAWLER 是一个分布式Web爬虫框架。采用模块化设计，各个模块可灵活进行自定义和扩展。借助 XXL-CRAWLER，一行代码开发一个分布式爬虫。大家在使用过程当中，要自己进行合理的扩展，根据自己的业务来进行编码才能开发出符合要求的。

2、核心概念介绍

概念 说明
XxlCrawler 爬虫对象，维护爬虫信息
PageVo 页面数据对象，一张Web页面可抽取一个或多个PageVo
PageLoader Wed页面加载器，负责加载页面数据，支持灵活的自定义和扩展
PageParser Wed页面解析器，绑定泛型PageVO后将会自动抽取页面数据对象，同时支持运行时调整请求参数信息；

        NonPageParser ： 非Web页面解析器，如JSON接口等，直接输出响应数据。比如这里的地震信息查询接口返回的就是json的数据格式。

        XxlCrawler的属性

方法 说明
setUrls 待爬的URL列表
setAllowSpread 允许扩散爬取，将会以现有URL为起点扩散爬取整站
setWhiteUrlRegexs URL白名单正则，非空时进行URL白名单过滤页面
setIfPost 请求方式：true=POST请求、false=GET请求
setUserAgent UserAgent
setParamMap 请求参数
setCookieMap 请求Cookie
setTimeoutMillis 超时时间，毫秒
setPauseMillis 停顿时间，爬虫线程处理完页面之后进行主动停顿，避免过于频繁被拦截；
setProxyMaker 代理生成器，支持设置代理IP，同时支持调整代理池实现动态代理；
setThreadCount 爬虫并发线程数
setPageParser 页面解析器
setPageLoader 页面加载器，默认提供 “JsoupPageParser” 和 “HtmlUnitPageLoader” 两种实现；
setRunData 设置运行时数据模型，默认提供LocalRunData单机模型，支持扩展实现分布式模型；
start 运行爬虫，可通过入参控制同步或异步方式运行
stop 终止爬虫

三、实际信息爬取

        本节将重点讲述如何使用java语言基于XxlCrawler进行信息抓取的开发。首先讲解XxlCrawler来进行信息的获取，然后讲解如何将json数据转换成javaBean，不管以后用来存为Excel或者入库，比如保存到关系型数据库，都是需要采用JavaBean的。

1、新建maven项目

        首先，新建一个maven项目，在pom.xml中引入相关的资源，首先便是XxlCrawler，然后是json处理工具，这里使用Gson，最后为了简化对象的get和set操作，使用lombok来进行对象简化。pom.xml的关键代码如下所示：   

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0</modelVersion>
  <groupId>com.yelang</groupId>
  <artifactId>xxl-crawler-demo</artifactId>
  <version>0.0.1-SNAPSHOT</version>
  <dependencies>
	<dependency>
	    <groupId>com.xuxueli</groupId>
	    <artifactId>xxl-crawler</artifactId>
	    <version>1.3.0</version>
	</dependency>
	<dependency>
	    <groupId>com.google.code.gson</groupId>
	    <artifactId>gson</artifactId>
	    <version>2.10.1</version>
	</dependency>
	<dependency>
	    <groupId>org.projectlombok</groupId>
	    <artifactId>lombok</artifactId>
	    <version>1.18.30</version>
	    <scope>provided</scope>
	</dependency>
  </dependencies>
</project>

     2、新建model层对象

        model层对象对应是javaBean，主要包含两个对象，第一个是大的对象，包含num和shuju的定义。由于shuju是一个数组，因此再定义一个信息对象来接收数组的值。两个类的具体代码如下：

package com.yelang.entity;
import java.io.Serializable;
import java.math.BigDecimal;
import lombok.Data;
import lombok.ToString;
@Data
@ToString
public class Earthquake implements Serializable {
	private static final long serialVersionUID = -1212153879708670015L;
	private String AUTO_FLAG;
	private String CATA_ID;
	private String CATA_TYPE;
	private BigDecimal EPI_DEPTH = new BigDecimal("0");
	private String EPI_LAT;
	private String EPI_LON;
	private String EQ_CATA_TYPE;
	private String EQ_TYPE;
	private String IS_DEL;
	private String LOCATION_C;
	private String LOCATION_S;
	private String LOC_STN;
	private String M;
	private String M_MB;
	private String M_MB2;
	private String M_ML;
	private String M_MS;
	private String M_MS7;
	private String NEW_DID;
	private String O_TIME;
	private String O_TIME_FRA;
	private String SAVE_TIME;
	private String SUM_STN;
	private String SYNC_TIME;
	private String id;

	public Earthquake(String aUTO_FLAG, String cATA_ID, String cATA_TYPE, BigDecimal ePI_DEPTH, String ePI_LAT,
			String ePI_LON, String eQ_CATA_TYPE, String eQ_TYPE, String iS_DEL, String lOCATION_C, String lOCATION_S,
			String lOC_STN, String m, String m_MB, String m_MB2, String m_ML, String m_MS, String m_MS7, String nEW_DID,
			String o_TIME, String o_TIME_FRA, String sAVE_TIME, String sUM_STN, String sYNC_TIME, String id) {
		super();
		AUTO_FLAG = aUTO_FLAG;
		CATA_ID = cATA_ID;
		CATA_TYPE = cATA_TYPE;
		EPI_DEPTH = ePI_DEPTH;
		EPI_LAT = ePI_LAT;
		EPI_LON = ePI_LON;
		EQ_CATA_TYPE = eQ_CATA_TYPE;
		EQ_TYPE = eQ_TYPE;
		IS_DEL = iS_DEL;
		LOCATION_C = lOCATION_C;
		LOCATION_S = lOCATION_S;
		LOC_STN = lOC_STN;
		M = m;
		M_MB = m_MB;
		M_MB2 = m_MB2;
		M_ML = m_ML;
		M_MS = m_MS;
		M_MS7 = m_MS7;
		NEW_DID = nEW_DID;
		O_TIME = o_TIME;
		O_TIME_FRA = o_TIME_FRA;
		SAVE_TIME = sAVE_TIME;
		SUM_STN = sUM_STN;
		SYNC_TIME = sYNC_TIME;
		this.id = id;
	}
	public Earthquake() {
		super();
	}
}
package com.yelang.entity;
import java.io.Serializable;
import java.util.List;
import lombok.Data;
import lombok.ToString;
@Data
@ToString
public class EarthquakeCrawler implements Serializable {
	private static final long serialVersionUID = 2968933968732310138L;
	private Integer num;
	private List<Earthquake> shuju;
	public EarthquakeCrawler(Integer num, List<Earthquake> shuju) {
		super();
		this.num = num;
		this.shuju = shuju;
	}
	public EarthquakeCrawler() {
		super();
	}
}

3、实际爬取

package com.yelang.test;
import java.util.Random;
import org.jsoup.internal.StringUtil;
import com.google.gson.Gson;
import com.xuxueli.crawler.XxlCrawler;
import com.xuxueli.crawler.parser.strategy.NonPageParser;
import com.yelang.entity.Earthquake;
import com.yelang.entity.EarthquakeCrawler;
public class CeicCrawlerCase {
	public static void main(String[] args) {
				String commonUrl = "https://www.ceic.ac.cn/ajax/search?start=&&end=&&jingdu1=&&jingdu2=&&weidu1=&&weidu2=&&height1=&&height2=&&zhenji1=&&zhenji2=&_="
						+ System.currentTimeMillis();
				String[] urlList = new String[1];
				urlList[0] = commonUrl + "&&page=" + 1;
				// 构造爬虫
				XxlCrawler crawler = new XxlCrawler.Builder().setUrls(urlList).setThreadCount(3).setPauseMillis(3000)
						.setUserAgent(
								"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36")
						.setIfPost(false).setFailRetryCount(3)// 重试三次
						.setPageParser(new NonPageParser() {
							public void parse(String url, String pageSource) {
								if (!StringUtil.isBlank(pageSource)) {
									pageSource = pageSource.substring(1, pageSource.length() - 1);
									Gson gson = new Gson();
									EarthquakeCrawler crawler = gson.fromJson(pageSource, EarthquakeCrawler.class);
									System.out.println("总页数："+crawler.getNum());
									for (Earthquake data : crawler.getShuju()) {
										System.out.println(data);
									}
								}
							}
						}).build();
				crawler.start(true);// 启动
	}
}

        这里仅演示效果，请大家不要大量的请求台网，合理设置信息的获取频次。上面的代码运行之后，可以在控制台看到以下的信息，即表示成功的获取历史地震信息，同时将字符串转换成了JavaBean。至此，一个使用java开发的信息抓取程序开发完毕。

SLF4J: No SLF4J providers were found.
SLF4J: Defaulting to no-operation (NOP) logger implementation
SLF4J: See https://www.slf4j.org/codes.html#noProviders for further details
618
Earthquake(AUTO_FLAG=M, CATA_ID=CC20240324042204.00, CATA_TYPE=, EPI_DEPTH=30, EPI_LAT=-4.15, EPI_LON=143.10, EQ_CATA_TYPE=, EQ_TYPE=M, IS_DEL=, LOCATION_C=巴布亚新几内亚, LOCATION_S=, LOC_STN=0, M=6.9, M_MB=0, M_MB2=0, M_ML=0, M_MS=0, M_MS7=0, NEW_DID=CC20240324042204, O_TIME=2024-03-24 04:22:04, O_TIME_FRA=0, SAVE_TIME=2024-03-24 04:46:33, SUM_STN=0, SYNC_TIME=2024-03-24 04:46:33, id=46219)
Earthquake(AUTO_FLAG=M, CATA_ID=CC20240323212028.00, CATA_TYPE=, EPI_DEPTH=60, EPI_LAT=-4.65, EPI_LON=102.70, EQ_CATA_TYPE=, EQ_TYPE=M, IS_DEL=, LOCATION_C=印尼苏门答腊岛南部海域, LOCATION_S=, LOC_STN=0, M=5.3, M_MB=0, M_MB2=0, M_ML=0, M_MS=0, M_MS7=0, NEW_DID=CC20240323212028, O_TIME=2024-03-23 21:20:28, O_TIME_FRA=0, SAVE_TIME=2024-03-23 21:46:17, SUM_STN=0, SYNC_TIME=2024-03-23 21:46:16, id=46218)

总结

        以上就是本文的主要内容，本文将主要讲解使用Java语言结合XxlCrawler框架进行信息的抓取。首先讲解目标网站的相关信息，分析内容和需要抓取的链接地址，URL的构造，然后介绍XxlCrawler这个组件的相关使用情况，最后使用代码进行实际信息抓取的开发。通过本文，相信大家对XxlCrawler有了更深入的了解。示例代码供参考，请朋友合理使用资源。行文仓促，定有不足之处，环境大家批评指正。

上一篇：Mac 安装 HomeBrew