Jsoup爬取HTTPS页面数据资源,并导入数据库(Java)

一、实现思路

示例页面:
2020年12月中华人民共和国县以上行政区划代码
在这里插入图片描述

  • 忽略https请求的SSL证书
  • 通过Jsoup获取页面标签
  • 遍历行标签,分别获取每个行标签的第二个和第三个列标签
  • 将获取到的行政代码和单位名称分别插入sql语句占位符
  • 执行sql语句,插入数据

二、代码实现

  • 新建数据库,存储爬虫数据
CREATE TABLE `test_table`
(`BM` varchar(16) NOT NULL COMMENT '字典代码',`MC` varchar(32) DEFAULT NULL COMMENT '名称',`JB` char(1)     DEFAULT NULL COMMENT '级别',PRIMARY KEY (`BM`) USING BTREE
) ENGINE = InnoDBDEFAULT CHARSET = utf8mb3ROW_FORMAT = DYNAMIC COMMENT ='省市区字典表';
  • 创建JDBC连接工具类
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.SQLException;/*** @author Odinpeng* @since 2023/12/07**/
public class JdbcUtil {private static String url = "jdbc:mysql://localhost:3306/test?useUnicode=true&characterEncoding=utf8";private static String username = "username";private static String password = "password";static {try {Class.forName("com.mysql.cj.jdbc.Driver");} catch (ClassNotFoundException e) {e.printStackTrace();}}public static Connection getConnection() {try {return DriverManager.getConnection(url, username, password);} catch (SQLException throwables) {throwables.printStackTrace();}return null;}
}
  • 创建HTTPS请求忽略SSL证书工具类
import javax.net.ssl.HostnameVerifier;
import javax.net.ssl.HttpsURLConnection;
import javax.net.ssl.SSLContext;
import javax.net.ssl.TrustManager;
import javax.net.ssl.X509TrustManager;
import java.security.cert.X509Certificate;/*** @author Odinpeng* @since 2023/12/07**/
public class SslUtils {/*** 忽略HTTPS请求的SSL证书** @throws Exception*/public static void ignoreSsl() throws Exception {HostnameVerifier hv = (urlHostName, session) -> {System.out.println("Warning: URL Host: " + urlHostName + " vs. " + session.getPeerHost());return true;};trustAllHttpsCertificates();HttpsURLConnection.setDefaultHostnameVerifier(hv);}private static void trustAllHttpsCertificates() throws Exception {TrustManager[] trustAllCerts = new TrustManager[1];TrustManager tm = new miTM();trustAllCerts[0] = tm;SSLContext sc = SSLContext.getInstance("SSL");sc.init(null, trustAllCerts, null);HttpsURLConnection.setDefaultSSLSocketFactory(sc.getSocketFactory());}static class miTM implements TrustManager, X509TrustManager {public X509Certificate[] getAcceptedIssuers() {return null;}public boolean isServerTrusted(X509Certificate[] certs) {return true;}public boolean isClientTrusted(X509Certificate[] certs) {return true;}public void checkServerTrusted(X509Certificate[] certs, String authType) {}public void checkClientTrusted(X509Certificate[] certs, String authType) {}}
}
  • 爬虫方法
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.junit.Test;import java.sql.Connection;
import java.sql.SQLException;
import java.sql.Statement;/*** 爬取数据** @author Odinpeng* @since 2023/12/07**/
public class TestReport {@Testpublic void getRegionSql() throws Exception {// 获取数据库连接Connection conn = JdbcUtil.getConnection();// 忽略SSL证书验证try {SslUtils.ignoreSsl();} catch (Exception e1) {throw new RuntimeException("获取SSL证书异常");}// 通过Jsoup库连接到指定URL,获取网页内容String url = "https://www.mca.gov.cn/mzsj/xzqh/2020/20201201.html";Document doc = Jsoup.connect(url).header("User-Agent", "Mozilla/5.0 (Windows NT 10.0 Win64 x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36").header("Accept", "text/html,application/xhtml+xml,application/xmlq=0.9,image/webp,image/apng,*/*q=0.8,application/signed-exchangev=b3").maxBodySize(0).timeout(100000).get();// 正则表达式,判断是否为六位数字的字符串String regionCodePattern = "^[1-9]\\d{5}$";// 获取所有行标签Elements trs = doc.select("tr");// 记录执行条数int count = 0;// 遍历行标签for (Element tr : trs) {// 获取行标签中的列标签Elements tds = tr.select("td");// 筛选出数量>3的列标签if (tds.size() > 3) {// 获取第二个<td>String dm = tds.get(1).text();// 获取第一个<td>,去除空格前包括空格的字符(字段含有 )String mc = tds.get(2).text().replaceAll(".*\\s", "");// 代码含4个0,级别1(省、直辖市),代码含2个0,级别2(市),其他,级别3(区,县,县级市)if (dm.matches(regionCodePattern)) {int jb = 2;if (!dm.endsWith("00")) {jb = 3;}if (dm.endsWith("0000")) {jb = 1;}count++;// 将代码、地区名称、级别拼接到sql中String sql = String.format("insert into test_table (bm, mc, jb) " + " values ('%s','%s','%s');", dm, mc, jb);System.out.println(sql);try {// 执行sqlStatement s = conn.createStatement();s.executeUpdate(sql);} catch (SQLException throwables) {System.out.println("数据存储异常:" + throwables.getMessage());}}}}System.out.println("总数量为:" + count);// 关闭数据库连接conn.close();}
}

三、测试

  • 执行单元测试,数据库:

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/256629.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Ray构建GPU隔离的机器学习平台

Ray框架介绍 Ray 是一个开源分布式计算框架,在 机器学习基础设施中发挥着至关重要的作用。Ray 促进分布式机器学习训练,使机器学习从业者能够有效利用多个 GPU 的能力。 Ray可以在集群上分布式地运行任务,并且可以指定任务运行时需要使用的GPU数量。Ray可与Nvidia-docker等…

ChatGPT/GPT4科研实践篇: AI绘图+论文写作+编程

1、熟练掌握ChatGPT提示词技巧及各种应用方法&#xff0c;并成为工作中的助手。 2、通过案例掌握ChatGPT撰写、修改论文及工作报告&#xff0c;提供写作能力及优化工作 3、熟练掌握ChatGPT融合相关插件的应用&#xff0c;完成数据分析、编程以及深度学习等相关科研项目。 4、…

基于ssm vue协同过滤算法的图书推荐系统源码和论文

基于ssm vue协同过滤算法的图书推荐系统源码和论文742 idea 数据库mysql5.7 数据库链接工具&#xff1a;navcat,小海豚等 环境&#xff1a; jdk8 tomcat8.5 开发技术 ssm 摘 要 “互联网”的战略实施后&#xff0c;很多行业的信息化水平都有了很大的提升。但是目前很多行业…

Matlab 点云曲线探测(算法不稳定,仅用于学习)

文章目录 一、简介二、实现代码三、实现效果参考文献一、简介 这是一个很有趣的曲线探测的方法,不过我没有复现出论文中那样的效果,可能是理解有误,但这个算法仍然是很有意思,故这里也对其进行记录。 按照论文中的思路,首先我们需要通过一种线性强度图来计算确定每个点的法…

三层交换机配置DHCP服务

第一步&#xff1a;进入二层交换机Switch 1&#xff09;输入命令&#xff1a; Switch(config)#vlan 10 Switch(config)#vlan 20 2&#xff09;修改F0/1 和F0/2为access口&#xff0c;F0/24为trunk口 第二步&#xff1a;进入三层交换机 1&#xff09;输入命令 Switch(config)#…

Jenkins中文官网地址

Jenkins中文官网地址&#xff1a; Jenkins 用户手册Jenkins 是一个开源自动化服务器https://www.jenkins.io/zh/doc/

linux文件查找

grep: 文件内容过滤 [rootzaotounan ~]# grep 文件内容 路径 #从某个路径下的文件中过滤拥有文件内容的字段 ​ [rootzaotounan ~]# grep -r #递归查找 查找命令配置文件位置 查找命令位置 [rootzaotounan ~]# which 命令名 ​ 查找配置文件位置 [rootzaotounan ~]# wherei…

【Java用法】Lombok中@SneakyThrows注解的使用方法和作用

Lombok中SneakyThrows注解的使用方法和作用 一、SneakyThrows的作用二、SneakyThrows注解原理 一、SneakyThrows的作用 普通Exception类,也就是我们常说的受检异常或者Checked Exception会强制要求抛出它的方法声明throws&#xff0c;调用者必须显示的去处理这个异常。设计的目…

模式串匹配和字符串哈希

目录 一、字符串暴力匹配 二、字符串哈希解决匹配问题 不使用哈希的递归版本 使用哈希的版本 不太懂哈希表的可以看我上一篇文章。 哈希表及其基础&#xff08;java详解&#xff09;-CSDN博客 一、字符串暴力匹配 public class SubstringMatch {//构造函数设置成私有的&…

Day15——File类与IO流

1.java.io.File类的使用 1.1 File类的理解 File 类及本章下的各种流&#xff0c;都定义在 java.io 包下。一个 File 对象代表硬盘或网络中可能存在的一个文件或者文件目录&#xff08;俗称文件夹&#xff09;&#xff0c;与平台无关。&#xff08;体会万事万物皆对象&#xf…

Prometheus 配置文件和标签 Pmsql

1.Prometheus配置文件 Prometheus可以通过命令行或者配置文件的方式对服务进行配置。 命令行方式一般用于不可变的系统参数配置&#xff0c;例如存储位置、要保留在磁盘和内存中的数据量等&#xff1b;配置文件用于定义与数据动态获取相关的配置选项和文件等内容。命令行方式…

arm 交叉编译器版本下载

网址&#xff1a;https://releases.linaro.org/components/toolchain/binaries/ 根据板子架构选择正确的编译器 根据你主机架构选择对应的版本&#xff08;就是你的开发电脑架构&#xff09;