主頁 > 後端開發 > (Java)記一次通過API遞回分頁“爬取”網頁資料的開發經歷

(Java)記一次通過API遞回分頁“爬取”網頁資料的開發經歷

2023-05-31 07:48:12 後端開發

前言

在最近的互聯網專案開發中,需要獲取用戶的訪問ip資訊進行統計的需求,用戶的訪問方式可能會從微信內置瀏覽器、Windows瀏覽器等方式對產品進行訪問,

當然,獲取這些關于ip的資訊是合法的,但是,這些ip資訊我們采用了其它第三方的服務來記錄,并不在我們的資料庫中,

這些ip資訊是分組存放的,且每個分組都都是分頁(1頁10條)存放的,如果一次性訪問大量的資料,API很有可能會報錯,

怎樣通過HTTP的方式去獲取到資訊,并且模擬瀏覽器每頁每頁獲取10條的資訊,且持久到資料庫中,就成了當下亟需解決的問題,

通過以上的分析,可以有大致以下思路:

1、拿到該網頁http請求的url地址,同時獲取到呼叫該網頁資訊的引數(如:header、param等);

2、針對分頁引數進行設計,由于需要不斷地訪問同一個介面,所以可以用回圈+遞回的方式來呼叫;

3、將http介面的資訊進行決議,同時保證一定的訪問頻率(大部分外部http請求都會有訪問頻率限制)讓回傳的資料準確;

4、整理和轉化資料,按照一定的條件,批量持久化到資料庫中,

一、模擬http請求

我們除了在專案自己寫API介面提供服務訪問外,很多時候也會使用到外部服務的API介面,通過呼叫這些API來回傳我們需要的資料,

如:

釘釘開放平臺https://open.dingtalk.com/document/orgapp/user-information-creation、

微信開放平臺https://open.weixin.qq.com/cgi-bin/index?t=home/index&lang=zh_CN等等進行開發,

這里分享一下從普通網頁獲取http介面url的方式,從而達到模擬http請求的效果:
以谷歌chrome瀏覽器為例,打開調式模式,根據下圖步驟:

尤其注意使用Fetch/XHR,右鍵該url—>copy—>copy as cURL(bash):

隨后粘貼到Postman中,模擬http請求:

粘貼的同時,還會自動帶上header引數(以下這4個引數比較重要,尤其是cookie):

這樣,就可以訪問到所需的資料了,并且資料是json格式化的,這便于我們下一步的資料決議,

二、遞回+回圈設計

有幾個要點需要注意:
1、分內外兩層,內外都需要獲取資料,即外層獲取的資料是內層所需要的;
2、每頁按照10條資料來回傳,直到該請求沒有資料,則訪問下一個請求;
3、遞回獲取當前請求的資料,注意頁數的增加和遞回終止條件,
廢話不多說,直接上代碼:

點擊查看代碼
public boolean getIpPoolOriginLinksInfo(HashMap<String, Object> commonPageMap, HashMap<String, String> headersMap,String charset){
        //介面呼叫頻率限制
        check(commonAPICheckData);
        String linkUrl = "https://xxx.xxx.com/api/v1/xxx/xxx";
        HashMap<String, Object> linkParamsMap = new HashMap<>();
        linkParamsMap.put("page",commonPageMap.get("page"));
        linkParamsMap.put("size",commonPageMap.get("size"));
        String httpLinkResponse = null;
        //封裝好的工具類,可以直接用apache的原生httpClient,也可以用Hutool的工具包
        httpLinkResponse = IpPoolHttpUtils.doGet(linkUrl,linkParamsMap,headersMap,charset);
        JSONObject linkJson = null;
        JSONArray linkArray = null;
        linkJson = JSON.parseObject(httpLinkResponse).getJSONObject("data");
        linkArray = linkJson.getJSONArray("resultList");
        if (linkArray != null){
            //遞回計數
            if (!commonPageMap.get("page").toString().equals("1")){
                commonPageMap.put("page","1");
            }
            // 每10條urlId,逐一遍歷
            for (Object linkObj : linkJson.getJSONArray("resultList")) {
                JSONObject info = JSON.parseObject(linkObj.toString());
                String urlId = info.getString("urlId");
                // 獲取到的每個urlId,根據urlId去獲取ip資訊(即內層的業務邏輯,我這里忽略,本質就是拿這里的引數傳到內層的方法中去)
                boolean flag = getIpPoolOriginRecords(urlId, commonPageMap, headersMap, charset);
                if (!flag){
                    break;
                }
            }
            Integer page = Integer.parseInt(linkParamsMap.get("page").toString());
            if (page <= Math.ceil(Integer.parseInt(linkJson.getString("total"))/10)){
                Integer newPage = Integer.parseInt(linkParamsMap.get("page").toString()) + 1;
                linkParamsMap.put("page", Integer.toString(newPage));
                // 遞回分頁拉取
                getIpPoolOriginLinksInfo(linkParamsMap,headersMap,charset);
            }
            else {
                return true;
            }
        }
        return true;
    }

三、決議資料(呼叫頻率限制)

一般來說,呼叫外部API介面會有呼叫頻率的限制,即一段時間內不允許頻繁請求介面,否則會回傳報錯,或者禁止呼叫,基于這樣的限制,我們可以簡單設計一個介面校驗頻率的方法,防止請求的頻率太快,
廢話不多說,代碼如下:

點擊查看代碼
/**
     * 呼叫頻率校驗,按照分鐘為單位校驗
     * @param commonAPICheckData
     */
    private void check(CommonAPICheckData commonAPICheckData){
        int minuteCount = commonAPICheckData.getMinuteCount();
        try {
            if (minuteCount < 2){
                //接近頻率限制時,休眠2秒
                Thread.sleep(2000);
            }else {
                commonAPICheckData.setMinuteCount(minuteCount-1);
            }
        } catch (InterruptedException e) {
            throw new RuntimeException("-------外部API呼叫頻率錯誤!--------");
        }
    }
CommonAPICheckData類代碼:
點擊查看代碼
@Data
public class CommonAPICheckData {

    /**
     * 每秒呼叫次數計數器,限制頻率:每秒鐘2次
     */
    private int secondCount = 3;

    /**
     * 每分鐘呼叫次數計數器,頻率限制:每分鐘100次
     */
    private int minuteCount = 100;

}

四、資料持久化

爬出來的資料我這里是按照一條一條入庫的,當然也可以按照批次進行batch的方式入庫:

點擊查看代碼
/**
   * 資料持久化
   * @param commonIpPool
   */
    private boolean getIpPoolDetails(CommonIpPool commonIpPool){
        try {
            //list元素去重,ip欄位唯一索引
            commonIpPoolService.insert(commonIpPool);
        } catch (Exception e) {
            if (e instanceof DuplicateKeyException){
                return true;
            }
            throw new RuntimeException(e.getMessage());
        }
        return true;
    }

五、小結

其實,爬取資料的時候我們會遇到各種各樣的場景,這次分享的主要是分頁遞回的相關思路,
有的時候,如果網頁做了防爬的功能,比如在header上加簽、訪問前進行滑動圖片校驗、在cookie上做加密等等,之后有時間還會接著分享,
代碼比較粗糙,如果大家有其它建議,歡迎討論,
如有錯誤,還望大家指正,

轉載請註明出處,本文鏈接:https://www.uj5u.com/houduan/553814.html

標籤:其他

上一篇:驅動開發:內核讀寫記憶體浮點數

下一篇:返回列表

標籤雲
其他(159978) Python(38189) JavaScript(25464) Java(18161) C(15234) 區塊鏈(8268) C#(7972) AI(7469) 爪哇(7425) MySQL(7217) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5873) 数组(5741) R(5409) Linux(5344) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4579) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2434) ASP.NET(2403) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) .NET技术(1977) 功能(1967) Web開發(1951) HtmlCss(1950) C++(1927) python-3.x(1918) 弹簧靴(1913) xml(1889) PostgreSQL(1878) .NETCore(1862) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 【C++】Microsoft C++、C 和匯編程式檔案

    ......

    uj5u.com 2020-09-10 00:57:23 more
  • 例外宣告

    相比于斷言適用于排除邏輯上不可能存在的狀態,例外通常是用于邏輯上可能發生的錯誤。 例外宣告 Item 1:當函式不可能拋出例外或不能接受拋出例外時,使用noexcept 理由 如果不打算拋出例外的話,程式就會認為無法處理這種錯誤,并且應當盡早終止,如此可以有效地阻止例外的傳播與擴散。 示例 //不可 ......

    uj5u.com 2020-09-10 00:57:27 more
  • Codeforces 1400E Clear the Multiset(貪心 + 分治)

    鏈接:https://codeforces.com/problemset/problem/1400/E 來源:Codeforces 思路:給你一個陣列,現在你可以進行兩種操作,操作1:將一段沒有 0 的區間進行減一的操作,操作2:將 i 位置上的元素歸零。最終問:將這個陣列的全部元素歸零后操作的最少 ......

    uj5u.com 2020-09-10 00:57:30 more
  • UVA11610 【Reverse Prime】

    本人看到此題沒有翻譯,就附帶了一個自己的翻譯版本 思考 這一題,它的第一個要求是找出所有 $7$ 位反向質數及其質因數的個數。 我們應該需要質數篩篩選1~$10^{7}$的所有數,這里就不慢慢介紹了。但是,重讀題,我們突然發現反向質數都是 $7$ 位,而將它反過來后的數字卻是 $6$ 位數,這就說明 ......

    uj5u.com 2020-09-10 00:57:36 more
  • 統計區間素數數量

    1 #pragma GCC optimize(2) 2 #include <bits/stdc++.h> 3 using namespace std; 4 bool isprime[1000000010]; 5 vector<int> prime; 6 inline int getlist(int ......

    uj5u.com 2020-09-10 00:57:47 more
  • C/C++編程筆記:C++中的 const 變數詳解,教你正確認識const用法

    1、C中的const 1、區域const變數存放在堆疊區中,會分配記憶體(也就是說可以通過地址間接修改變數的值)。測驗代碼如下: 運行結果: 2、全域const變數存放在只讀資料段(不能通過地址修改,會發生寫入錯誤), 默認為外部聯編,可以給其他源檔案使用(需要用extern關鍵字修飾) 運行結果: ......

    uj5u.com 2020-09-10 00:58:04 more
  • 【C++犯錯記錄】VS2019 MFC添加資源不懂如何修改資源宏ID

    1. 首先在資源視圖中,添加資源 2. 點擊新添加的資源,復制自動生成的ID 3. 在解決方案資源管理器中找到Resource.h檔案,編輯,使用整個專案搜索和替換的方式快速替換 宏宣告 4. Ctrl+Shift+F 全域搜索,點擊查找全部,然后逐個替換 5. 為什么使用搜索替換而不使用屬性視窗直 ......

    uj5u.com 2020-09-10 00:59:11 more
  • 【C++犯錯記錄】VS2019 MFC不懂的批量添加資源

    1. 打開資源頭檔案Resource.h,在其中預先定義好宏 ID(不清楚其實ID值應該設定多少,可以先新建一個相同的資源項,再在這個資源的ID值的基礎上遞增即可) 2. 在資源視圖中選中專案資源,按F7編輯資源檔案,按 ID 型別 相對路徑的形式添加 資源。(別忘了先把檔案拷貝到專案中的res檔案 ......

    uj5u.com 2020-09-10 01:00:19 more
  • C/C++編程筆記:關于C++的參考型別,專供新手入門使用

    今天要講的是C++中我最喜歡的一個用法——參考,也叫別名。 參考就是給一個變數名取一個變數名,方便我們間接地使用這個變數。我們可以給一個變數創建N個參考,這N + 1個變數共享了同一塊記憶體區域。(參考型別的變數會占用記憶體空間,占用的記憶體空間的大小和指標型別的大小是相同的。雖然參考是一個物件的別名,但 ......

    uj5u.com 2020-09-10 01:00:22 more
  • 【C/C++編程筆記】從頭開始學習C ++:初學者完整指南

    眾所周知,C ++的學習曲線陡峭,但是花時間學習這種語言將為您的職業帶來奇跡,并使您與其他開發人員區分開。您會更輕松地學習新語言,形成真正的解決問題的技能,并在編程的基礎上打下堅實的基礎。 C ++將幫助您養成良好的編程習慣(即清晰一致的編碼風格,在撰寫代碼時注釋代碼,并限制類內部的可見性),并且由 ......

    uj5u.com 2020-09-10 01:00:41 more
最新发布
  • (Java)記一次通過API遞回分頁“爬取”網頁資料的開發經歷

    在最近的互聯網專案開發中,需要獲取用戶的訪問ip資訊,并進行后續統計分析。
    這些ip資訊是在第三方的服務中分組存放的,且每個分組都都是分頁(1頁10條)存放的,如果一次性訪問大量的資料,API很有可能會報錯。
    怎樣通過HTTP的方式去獲取到資訊,并且模擬瀏覽器每頁每頁獲取10條的資訊,且持久到資料庫... ......

    uj5u.com 2023-05-31 07:48:12 more
  • 驅動開發:內核讀寫記憶體浮點數

    如前所述,在前幾章內容中筆者簡單介紹了`記憶體讀寫`的基本實作方式,這其中包括了`CR3切換`讀寫,`MDL映射`讀寫,`記憶體拷貝`讀寫,本章將在如前所述的讀寫函式進一步封裝,并以此來實作驅動讀寫記憶體浮點數的目的。記憶體`浮點數`的讀寫依賴于`讀寫記憶體位元組`的實作,因為浮點數本質上也可以看作是一個位元組集... ......

    uj5u.com 2023-05-31 07:42:55 more
  • Python連接es筆記三之es更新操作

    > 本文首發于公眾號:Hunter后端 > 原文鏈接:[Python連接es筆記三之es更新操作](https://mp.weixin.qq.com/s/1cTaVfjLFrmbXajNcayhEA) 這一篇筆記介紹如何使用 Python 對資料進行更新操作。 對于 es 的更新的操作,不用到 Se ......

    uj5u.com 2023-05-31 07:40:48 more
  • np.bincount方法

    [官方檔案](https://numpy.org/doc/stable/reference/generated/numpy.bincount.html#numpy-bincount) `out = np.bincount(x[, weights, minlength])` **該函式用于統計輸入陣列 ......

    uj5u.com 2023-05-31 07:39:38 more
  • Python 實作 m3u8 視頻下載

    # Python 實作 m3u8 視頻下載 m3u8 是一種**基于文本的媒體播放串列檔案格式**,通常用于指定流媒體播放器播放在線媒體流。它是一個簡單的文本檔案,其中包含多個由 URI 參考的媒體資源檔案的 URL。m3u8 檔案通常包含多個 ts 檔案的鏈接,這些 ts 檔案是實際的視頻和音頻數 ......

    uj5u.com 2023-05-31 07:39:32 more
  • 【爬蟲+資料清洗+可視化】用Python分析“淄博燒烤“的評論資料

    [toc] # 一、背景介紹 您好,我是[@馬哥python說](https://mp.weixin.qq.com/s/EuOKLq6ZSgQGnijreylSiA) ,一枚10年程式猿。 自從2023.3月以來,"淄博燒烤"現象持續占領熱搜流量,體現了后疫情時代眾多網友對人間煙火氣的美好向往,本現 ......

    uj5u.com 2023-05-31 07:39:00 more
  • Java中如何中斷執行緒

    在Java中,可以使用以下方法中斷執行緒: 1. 使用`interrupt()`方法:每個執行緒物件都有一個`interrupt()`方法,用于中斷該執行緒。當呼叫執行緒的`interrupt()`方法時,它會設定執行緒的中斷狀態為"中斷",但并不會立即停止執行緒的執行。執行緒在執行程序中可以通過檢查中斷狀態來決 ......

    uj5u.com 2023-05-31 07:38:25 more
  • java注解與反射

    # java注解與反射 - java注解與反射十分重要,是很多框架的底層 ## 注解(Annotataion) - 注解的作用: 1. 不是程式本身,可以對程式作出解釋 1. 可以被其他程式讀取 - 注解的格式:@注釋名,如@override表示重寫方法,而且有些還可以添加一些引數值,如@Suppr ......

    uj5u.com 2023-05-31 07:37:58 more
  • 騰訊二面:有 40 億個 QQ 號,限制 1G 記憶體,問如何去重?被問懵了!

    > 40億個QQ號,限制1G記憶體,如何去重? 40億個unsigned int,如果直接用記憶體存盤的話,需要: `4*4000000000 /1024/1024/1024 = 14.9G` ,考慮到其中有一些重復的話,那1G的空間也基本上是不夠用的。 想要實作這個功能,可以借助位圖。 使用位圖的話, ......

    uj5u.com 2023-05-31 07:37:33 more
  • JavaWeb

    # JavaWeb ## 1、基本概念 ### 1.1、前言 web開發: - web,網頁的意思 - 靜態web - html,css - 提供給所有人看的資料始終不會發生變化 - 動態web - 幾乎所有的網站都是動態的 - 提供給所有人看的資料始侄訓發生變化,每個人在不同的時間,不同的地點看到 ......

    uj5u.com 2023-05-31 07:37:16 more