實現網絡數據提取你需要哪些java知識

本篇對一些常用的java知識做一個整合，三大特性、IO操作、線程處理、類集處理，目的在於能用這些只是實現一個網頁爬蟲的功能。

Ⅰ　　首先對於一個java開發的項目有一個整體性的了解認知，項目開發流程：

項目階段：

1） 項目准備：

　　a) 根據開會得到會議紀要，了解客戶的需求情況

　　b) 需求分析（需求分析文檔）

　　c) 數據庫設計和網站（產品）原型設計

　　d) 架構設計

2） 項目開發

　　a) 項目組長(PM，PL)進行項目的時間規划，並划分好每個人的工作任務

　　b) 程序員主要完成項目代碼編寫和詳細設計文檔編寫。（用戶手冊）

3） 測試

　　a) 單元測試

　　b) 集成測試

　　c) 壓力測試

　　d) 回歸測試

4） 上線實施

Ⅱ　　三大特性（封裝、繼承、多態）

封裝

1、　　封裝重點在於一個private關鍵字，目的是為了讓類中的屬性不能直接修改或取得。也就是說，建立一個類時，所有的屬性都必須通過private進行封裝。

　　　　　　既然屬性被封裝了，那么如果想設置或取得屬性，就必須編寫getter/setter方法。

　　　　　　同時，類中在創建對象時，為了方便，一般建議編寫一些帶參數的構造方法。

　　　　　　如果不編寫構造方法，程序會自動加入一個無參的構造，但是，如果自己聲明了構造方法，那么必須就手工加入一個無參構造，為了讓其他的框架可以通過無參數構造來創建對象。

2、　　如果數據庫中有一張表，則需要你能根據表編寫一個這樣的類。

　　　　　　這種類被稱為：VO（Value Object）、TO（Transfer Object）、POJO（Plain Olds Java Object）、DTO（DaTa Object）等

class Person {
    private String name;
    private Integer age;
    public Person() {
    }
    public Person(String name, Integer age) {
        this.name = name;
        this.age = age;
    }
    public String getName() {
        return this.name;
    }
    public Integer getAge() {
        return age;
    }
    public void setAge(Integer age) {
        this.age = age;
    }
    public void setName(String name) {
        this.name = name;
    }
}

技巧：在eclipse中編寫封裝類，可以聲明變量后，按shift+Alt+s鍵出現Generate  Getters  and  Setters提示創建getter和setter方法。

繼承關系

繼承所使用的關鍵字：extends，接口實現所使用的關鍵字是：implements。

Java開發中對於接口和抽象類區別主要是單繼承和多繼承。

真正開發中接口用的更多，幾乎不編寫抽象類。

一般都是以接口作為標准來進行聲明。

這部分我們要求能夠掌握接口的聲明和實現方法。

interface Animal {
    public void cry();
    public void run();
}
class Cat implements Animal {

    @Override
    public void cry() {
        System.out.println("miao");
    }
    @Override
    public void run() {
        System.out.println("貓爬樹");
    }
}

多態

其實就是在繼承的基礎上進行方法覆寫和子類轉型。

package org.liky.test;
public class InterfaceDemo {
    public static void main(String[] args) {
        Animal a1 = new Cat();  5 Animal a2 = new Dog();  6         a1.cry();
        a2.cry();        
    }
}
interface Animal {
    public void cry();
    public void run();
}
class Cat implements Animal {
    @Override
    public void cry() {
        System.out.println("miao");
    }
    @Override
    public void run() {
        System.out.println("貓爬樹");
    }
}
class Dog implements Animal {
    @Override
    public void cry() {
        System.out.println("Wang");
    }
    @Override
    public void run() {
        System.out.println("狗游泳");
    }
}

單例設計模式

單例模式有以下特點：

　　1、單例類只能有一個實例。

　　2、單例類必須自己創建自己的唯一實例。

　　3、單例類必須給所有其他對象提供這一實例。

 

package org.liky.test;

public class TestSingleton {
    public static void main(String[] args) {
        Singleton s1 = Singleton.getInstance();
        Singleton s2 = Singleton.getInstance();
        Singleton s3 = Singleton.getInstance();  
                //其實只創建了一個對象
          System.out.println(s1 + " --> " + s2 + " --> " + s3);       
    }
}
class Singleton {
    private static final Singleton instance = new Singleton();
    private Singleton() {
    }
    public static Singleton getInstance() {
        return instance;
    }
}
    

 

 

 

Ⅲ　　IO操作

文件內容讀取：

File、FileReader、FileWriter、BufferedReader、BufferedWriter、Scanner、InputStreamReader

文件夾遍歷：

File 

文件復制操作

如果想操作文件的內容（對內容進行寫出和讀取），需要使用到的就是IO流中的輸入輸出操作。

這種輸入和輸出的操作流有兩種：

1） 字符流：主要操作文本文件（編寫爬蟲操作時，肯定要使用字符流來完成）

a) 讀：FileReader

b) 寫：FileWriter

2） 字節流：所有文件都可以使用這種流操作

a) 讀：InputStream

b) 寫：OutputStream

 

需要能夠通過我們這里的FileReader和FileWriter配合文件類：File，完成內容的讀取和寫出。

 

/**
 * IO流操作的演示類，用來演示文本文件的寫出和讀取
 * 
 * @author Liky
 * 
 */
public class FileTest {
    public static void main(String[] args) {
        // 寫出內容
        // writeData(
        // "D:/test.txt",
        // "這是“吉林一號”視頻衛星 8月9日11時25分拍攝的 九寨溝縣視頻 顯示了九寨溝縣的地形地貌 縣城呈狹長分布 周邊山體有明顯滑坡痕跡 視頻中還可見縣城道路大部分完好 有車輛通行 一架飛機飛過 地面與空中交通並未中斷 圖像提供：長光衛星技術有限公司 技術支持：北京愛太空科技發展有限公司");
        System.out.println(readData("D:/test.txt"));
    }

    /**
     * 寫出數據
     * 
     * @param filePath
     *            文件保存的位置
     * @param data
     *            要保存的文件內容數據
     */
    public static void writeData(String filePath, String data) {
        // 先有一個文件，來保存要寫出的數據
        File file = new File(filePath);
        // 建立輸出流對象
        try {
            FileWriter writer = new FileWriter(file);
            // 開始完成內容的輸出
            writer.write(data);
            // 資源必須回收，也就是必須將流關閉
            writer.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    /**
     * 讀取數據
     * 
     * @param filePath
     *            要讀取的文件所在的完整路徑
     * @return 讀取出來的文檔內容
     */
    public static String readData(String filePath) {
        // 也要建立文件對象
        File file = new File(filePath);
        // 建立讀取的輸入流對象
        try {
            FileReader reader = new FileReader(file);

            // 每次調用read可以讀取一個字符，
            // 按照int類型返回，返回的是字符的編碼，
            // 需要通過強制類型轉換，變為char類型
            // Java中對於String這個類一般不建議反復修改，因為會占用內存。
            StringBuilder builder = new StringBuilder();
            // 因為文件中有很多的字符，因此需要循環來進行內容的讀取。
            // 就需要判斷是否還有字符進行讀取
            int value = -1;
            // 每次讀取時，如果讀到內容，則會返回 0 - 65535 的char類型字符
            // 如果沒有讀取到內容，則返回 -1 ，因此我們可以根據這個 -1 來判斷后面是否還有內容
            while ((value = reader.read()) != -1) {
                // 將讀取到的內容保存下來
                char c = (char) value;
                // 把字符放入到StringBuilder里
                builder.append(c);
            }
            // 沒有讀取到內容，說明循環結束，已經到了文件的末尾
            return builder.toString();
        } catch (Exception e) {
            e.printStackTrace();
        }
        return null;
    }
}

目前這樣編寫已經可以實現內容的輸入和輸出操作了。

但是還不支持換行操作，如果想換行，需要人工進行\r\n的編寫。

如果不想人工編寫換行，就可以使用以下兩個類來完成輸入。

PrintWriter（打印流）

BufferedWriter（緩沖流）

 

    public static void writeData(String filePath, String... data) {
        // 先有一個文件，來保存要寫出的數據
        File file = new File(filePath);
        // 建立輸出流對象
        try {
            // FileWriter writer = new FileWriter(file);
            PrintWriter pw = new PrintWriter(file);
            // 開始完成內容的輸出
            for (String str : data) {
                pw.println(str);
            }
            // 資源必須回收，也就是必須將流關閉
            pw.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

 

使用時，注意我們這里加入了可變參數來動態傳入多個字符串（即String...  data）。

 

當讀取數據時，如果我們使用普通的讀取方式，對於換行的處理不方便。

如果想按行讀取內容，可以使用BufferedReader，Scanner

Scanner是JDK1.5新的

BufferedReader是JDK1.0就有的，所以使用BufferedReader。

為什么現在還使用BufferedReader，因為Scanner不支持編碼的轉換。

 

    public static String readData(String filePath) {
        // 也要建立文件對象
        File file = new File(filePath);
        // 建立讀取的輸入流對象
        try {
            FileReader reader = new FileReader(file);
            BufferedReader bw = new BufferedReader(reader);
            // 每次調用read可以讀取一個字符，
            // 按照int類型返回，返回的是字符的編碼，
            // 需要通過強制類型轉換，變為char類型
            // Java中對於String這個類一般不建議反復修改，因為會占用內存。
            StringBuilder builder = new StringBuilder();
            // 因為文件中有很多的字符，因此需要循環來進行內容的讀取。
            // 就需要判斷是否還有字符進行讀取
            String line = null;
            // 每次讀取時，如果讀到內容，則會返回 0 - 65535 的char類型字符
            // 如果沒有讀取到內容，則返回 -1 ，因此我們可以根據這個 -1 來判斷后面是否還有內容
            while ((line = bw.readLine()) != null) {
                // 將讀取到的內容保存下來
                // 把字符放入到StringBuilder里
                builder.append(line);
                System.out.println(line);
            }
            // 沒有讀取到內容，說明循環結束，已經到了文件的末尾
            return builder.toString();
        } catch (Exception e) {
            e.printStackTrace();
        }

        return null;
    }

 

 

 

 

例如，將一個D盤的test.txt的內容讀取出來，再寫出到E盤的test.txt中

 

    public static void copyFile(String inputFile, String outputPath) {
        // 首先建立輸入和輸出的文件
        File input = new File(inputFile);
        File output = new File(outputPath);
        // 建立輸入和輸出流
        try {
            BufferedReader br = new BufferedReader(new FileReader(input));
            PrintWriter pw = new PrintWriter(output);
            // 每次讀入一行，所以准備一個變量來接收
            String line = null;
            while ((line = br.readLine()) != null) {
                pw.println(line);
            }
            pw.close();
            br.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

 

文件夾迭代

這里只需要用到一個File類，但需要用里面的一些方法來判斷是文件還是文件夾

isFile()：是否是文件

isDirectory()：是否是文件夾

還需要通過遞歸操作，將目錄下的所有子目錄也進行迭代。

多線程處理

使用多線程的目的肯定是為了提升程序的效率。

因為在進行網絡數據爬取時，一般都是同時爬取多個網頁的數據，而不是單個網頁，因此在項目開發中我們需要通過多線程，來讓程序同時完成多個操作。

多線程有兩種實現方式：

1） 繼承Thread類

2） 實現Runnable接口

使用多線程時，還有兩個必須注意的方法：

1） start()啟動線程

2） run()編寫線程執行的主體。

先來完成一個倒計時功能：

public class ThreadDemo {
    public static void main(String[] args) {
        // new MyThread().start();
        // new Thread() {
        // public void run() {
        // for (int i = 10; i >= 0; i--) {
        // System.out.println("剩余時間：" + i);
        // try {
        // Thread.sleep(100);
        // } catch (InterruptedException e) {
        // e.printStackTrace();
        // }
        // }
        // }
        // }.start();
        // new Thread(new MyRunnable()).start();
    }
}

//繼承Thread類必須重寫run類
class MyThread extends Thread {
    @Override
    public void run() {
        for (int i = 10; i >= 0; i--) {
            System.out.println("剩余時間：" + i);
            try {
                Thread.sleep(100);
            } catch (InterruptedException e) {
                e.printStackTrace();
            }
        }
    }
}
class MyRunnable implements Runnable {
    @Override
    public void run() {
        for (int i = 10; i >= 0; i--) {
            System.out.println("剩余時間：" + i);
            try {
                Thread.sleep(100);
            } catch (InterruptedException e) {
                e.printStackTrace();
            }
        }
    }
}

 

 

類集處理

List：允許重復，可以根據下標來取得數據，會按照放入的順序來存儲數據。

　　　　ArrayList：以數組的形式存儲，適合不經常變動，但經常查詢的數據集。

　　　　LinkedList：以鏈表的形式存儲，適合經常變動的數據集，但是不經常查詢

 

public class ListDemo {
    public static void main(String[] args) {
        LinkedList<Integer> list1 = new LinkedList<>();
        for (int i = 0; i <= 100000; i++) {
            list1.add(i);
        }
        long start = System.currentTimeMillis();
        for (int i = 0; i <= 100000; i++) {
            list1.get(i);
        }
        long end = System.currentTimeMillis();
        System.out.println("ArrayList: " + (end - start) + " ms");
    }
}

 

Set：不允許重復，存儲順序看心情，沒辦法根據下標取得數據

　　　　HashSet：散列排序（沒有順序）

　　　　TreeSet：二叉樹排序，按照固定的規則來排序，TreeSet中的內容必須實現一個Comparable的接口，並且必須覆寫compareTo的方法，根據給定的規則來排序。

 

public class SetDemo {
    public static void main(String[] args) {
        Set<Person> set = new TreeSet<>();
        set.add(new Person("張三", 12));
        set.add(new Person("李四", 22));
        set.add(new Person("王五", 42));
        set.add(new Person("王八", 42));
        set.add(new Person("趙六", 32));
        System.out.println(set);
    }
}

class Person implements Comparable<Person> {
    private String name;
    private Integer age;

    public Person() {
        super();
    }

    public Person(String name, Integer age) {
        super();
        this.name = name;
        this.age = age;
    }

    public String getName() {
        return name;
    }

    public void setName(String name) {
        this.name = name;
    }

    public Integer getAge() {
        return age;
    }

    public void setAge(Integer age) {
        this.age = age;
    }

    @Override
    public String toString() {
        return "Person [name=" + name + ", age=" + age + "]";
    }
    @Override
    public int compareTo(Person o) {
        if (this.age > o.age) {
            return 1;
        } else if (this.age < o.age) {
            return -1;
        }
        if (this.name.equals(o.name)) {
            return 0;
        }
        return 1;
    }
}

 

Map：key-value形式，可以根據key取得value，key按照Set集合的模式來保存。

　　　　HashMap：散列

　　　　TreeMap：有順序

對於Map集合，要求能夠循環迭代出里面的所有數據。

所以必須掌握Map的循環方法。

 

public class MapDemo {
    public static void main(String[] args) {
        Map<String, Integer> map = new HashMap<>();
        map.put("方便面", 20);
        map.put("火腿腸", 120);
        map.put("礦泉水", 20);
        map.put("可樂", 30);

        // Map集合如果想迭代必須先按照key來進行迭代，
        // 再根key查找value
        Set<String> keySet = map.keySet();
        for (String key : keySet) {
            System.out.println(key + " ---> " + map.get(key));
        }
    }
}

 

小結：

本篇對於java封裝、繼承、多態三大特性，IO操作，線程管理，類集處理（List、Set、Map）進行了闡述以及代碼實現。

到此，對於網頁數據的爬寫的知識准備的可以了，下一篇我會先對一個文件進行數據爬取，然后再對網頁上的數據代碼實現爬蟲功能。