一、爬取数据的基本思路
分析要爬取数据的来源
- **查找数据来源:**浏览器按 F12 或右键单击"检查"打开开发者工具查看数据获取时的请求地址
2.**查看接口信息:**复制请求地址直接到浏览器地址栏输入看能不能取到数据
-
推荐安装插件:FeHelper(FeHelper - Awesome)
-
按 F12 打开控制台,查看网络请求,复制 curl 代码便于查看和执行:
注意不要暴露 cookie!!
java
curl "https://api.zsxq.com/v2/hashtags/48844541281228/topics?count=20" ^
-H "authority: api.zsxq.com" ^
-H "accept: application/json, text/plain, */*" ^
-H "accept-language: zh-CN,zh;q=0.9" ^
-H "cache-control: no-cache" ^
-H "origin: https://wx.zsxq.com" ^
-H "pragma: no-cache" ^
-H "referer: https://wx.zsxq.com/" ^
--compressed
二、使用 EasyExcel 爬取数据
方式一:通过监听器读取
- 导入 EasyExcel 的依赖
XML
<!-- https://mvnrepository.com/artifact/com.alibaba/easyexcel -->
<dependency>
<groupId>com.alibaba</groupId>
<artifactId>easyexcel</artifactId>
<version>3.1.1</version>
</dependency>
- 创建读对象
读对象的的两种方式:
表头确定:创建对象(属性即为需要的列数据)
表头不确定:把每一行数据映射为 Map<String, Object>
本系统的表头是确定的,读取表格中的用户名及星球编号即可,所以使用创建对象,对象的属性与表头进行绑定即可
- 将 Excel 表格字段与 Java 对象关联起来:使用 @ExcelProperty("") 注解指定使用 index 强制匹配或根据 "str" 字符串匹配表格数据
java
package com.example.usercenter.once;
import com.alibaba.excel.annotation.ExcelProperty;
import lombok.Data;
/**
* 用户信息实体对象:与 Excel 字段对应
* @author Ghost
* @version 1.0
*/
@Data
public class TableUserData {
@ExcelProperty("用户名")
private String username;
@ExcelProperty("星球编号")
private String planetCode;
}
- 读取数据:先创建监听器,在读取数据时绑定监听器
- 实现监听器 ReadListener 接口的 invoke() 方法,读取数据时会触发该方法
- 实现 doAfterAllAnalysed() 方法,当所有数据读取完成就会触发一次该方法
- 单独抽离处理逻辑,代码清晰易于维护
- 一条一条处理,适用于数据量大的场景
java
package com.example.usercenter.once;
import com.alibaba.excel.context.AnalysisContext;
import lombok.extern.slf4j.Slf4j;
import com.alibaba.excel.read.listener.ReadListener;
@Slf4j
public class DemoDataListener implements ReadListener<TableUserData> {
/**
* 这个每一条数据解析都会来调用
*
* @param data one row value. Is is same as {@link AnalysisContext#readRowHolder()}
* @param context
*/
@Override
public void invoke(TableUserData data, AnalysisContext context) {
System.out.println(data);// 输出每次解析到的数据
}
/**
* 所有数据解析完成了 都会来调用
*
* @param context
*/
@Override
public void doAfterAllAnalysed(AnalysisContext context) {
log.info("所有数据解析完成!");
}
}
- 绑定监听器,读取 Excel 数据
- 在 resources 目录下新建一个 testUser.xls 作为测试使用
- 绑定监听器 DemoDataListener
- 每次解析一条数据,每次解析都会调用 invoke() 方法输出数据
java
package com.example.usercenter.once;
import com.alibaba.excel.EasyExcel;
/**
* 读取 Excel 表格数据
* @author Ghost
* @version 1.0
*/
public class ImportExcelData {
public static void main(String[] args) {
// 写法 1
String fileName = "D:\\code\\user-center\\src\\main\\resources\\testUser.xls";// 先写一个绝对路径
// 这里默认每次会读取100条数据 然后返回过来 直接调用使用数据就行
EasyExcel.read(fileName, TableUserData.class, new DemoDataListener()).sheet().doRead();
}
}
- 运行程序,查看效果
方式二:使用同步读方式
-
导入 EasyExcel 的依赖(同方式一)
-
创建读对象(同方式一)
-
读取数据:使用同步读的方式
- 无需创建监听器,一次性获取完整数据
- 方便简单,但数据量大时需要等待,会卡顿
java
package com.example.usercenter.once;
import com.alibaba.excel.EasyExcel;
import lombok.extern.slf4j.Slf4j;
import java.util.List;
/**
* 读取 Excel 表格数据
* @author Ghost
* @version 1.0
*/
@Slf4j
public class ImportExcelData {
public static void main(String[] args) {
// 写法 1
String fileName = "D:\\code\\user-center\\src\\main\\resources\\testUser.xls";// 先写一个绝对路径
// readByListener(fileName);
synchronousRead(fileName);
}
/**
* 读取方式一:使用监听器读取
* @param fileName 文件路径
*/
public static void readByListener(String fileName) {
// 这里默认每次会读取100条数据 然后返回过来 直接调用使用数据就行
EasyExcel.read(fileName, TableUserData.class, new DemoDataListener()).sheet().doRead();
}
/**
* 读取方式二:同步读取(同步的返回,不推荐使用,如果数据量大会把数据放到内存里面)
* @param fileName 文件路径
*/
public static void synchronousRead(String fileName) {
// 这里 需要指定读用哪个class去读,然后读取第一个sheet 同步读取会自动finish
List<TableUserData> list = EasyExcel.read(fileName).head(TableUserData.class).sheet().doReadSync();
for (TableUserData data : list) {
log.info("读取到数据:{}", data);
}
}
}
- 运行程序,查看效果
三、清洗数据后导入数据库
-
使用同步读的方式获取数据
-
数据去重:判断是否有用户名相同的用户
-
TODO:如何获取所有用户(用户的唯一标识)