用java编写爬虫爬取电影

一、爬取前提
1）本地安装了mysql数据库
2）安装了idea或者eclipse等开发工具

二、爬取内容
 电影名称、电影简介、电影图片、电影下载链接

三、爬取逻辑
1）进入电影网列表页， 针对列表的html内容进行数据提取 电影名称，电影简介， 电影图片， 电影详情URL， 插入数据库表
2）通过步骤1获取到的电影详情URL， 进入电影详情页， 获取下载链接， 更新数据库的下载链接字段
3）循环执行如上过程，直到数据被爬取完或者循环完毕。

三、爬取步骤
1）本地初始化数据库脚本 database.sql

SET FOREIGN_KEY_CHECKS=0;

-- ----------------------------

-- Table structure for movie

-- ----------------------------

DROP TABLE IF EXISTS `movie`;

CREATE TABLE `movie` (

  `id` bigint(20) NOT NULL AUTO_INCREMENT,

  `title` varchar(100) DEFAULT NULL,

  `pic_url` varchar(100) DEFAULT NULL,

  `target_url` varchar(100) DEFAULT NULL,

  `introduction` varchar(1000) DEFAULT NULL,

  `download_url` text,

  `create_time` datetime DEFAULT NULL,

  PRIMARY KEY (`id`)

) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8;

2) 运行 MovieMain.java 函数，开启爬虫（当前只爬取1000页数据，总共约10万部电影）

3）查询数据库表，观察爬取数据清空

select * from movie;

四、github代码地址

https://github.com/mhlmelon/SpiderMovie

五、总结

优点：方便调试

不足：java版本速度较慢（每秒爬10条左右），后续会补上python的版本。