Jsoup爬虫获取自己网站在百度搜索中的实时排名
2019-01-22 本文已影响0人
zzzmh
一直有一个需求，希望看到自己网站在百度的实时的排名
用过一些工具，要么反应迟钝，要么结果不准确或不实时
于是打算用jsoup写一个小爬虫来实时百度看网站排名
直接上代码
依赖只有jsoup
jar包下载地址:https://mvnrepository.com/artifact/org.jsoup/jsoup
或者引入
maven依赖
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.11.3</version>
</dependency>
代码
package com.zzzmh.spider;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
public class test {
/** 百度搜索基本url 后面可以接的参数有 pn rn ie 等 */
public final static String baseUrl = "https://www.baidu.com/s?ie=utf-8";
/** 连接超时时间 */
public static int timeout = 30 * 1000;
/** 连接重试次数 */
public static int times = 10;
/** UA */
public static String UserAgent[] = {
"Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
"Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.87 Safari/537.36 OPR/37.0.2178.32",
"Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 UBrowser/5.6.12150.8 Safari/537.36",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2486.0 Safari/537.36 Edge/13.10586",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.87 Safari/537.36 OPR/37.0.2178.32" };
/** 获取随机UA */
public static String getRandomUA() {
return UserAgent[(int) (Math.random() * (UserAgent.length))];
}
/** 在这里进行连接 如果失败会继续重试 */
public static Document getDocument(String url) {
Document doc = null;
for (int i = 0; i < times; i++) {
try {
doc = Jsoup.connect(url).header("User-Agent", getRandomUA()).timeout(timeout).get();
if (doc != null)
break;
} catch (Exception e) {
e.printStackTrace();
}
}
return doc;
}
/**
* 爬取百度指定关键字和页码的数据，只存id(排名号)，title，url(百度会把url缩写) 亲测虽然
* 加了&rn=50可以明显增加效率，但结果和用户实际看到的有所出入，并不准确，故用默认rn，与用户实际看到保持一致
*
* @param keyword 关键字
* @param page 页码
*/
public static List<Map<String, String>> spider(String keyword, int page) {
List<Map<String, String>> result = new ArrayList<>();
try {
Document document = getDocument(baseUrl + "&wd=" + keyword + "&pn=" + (page * 10));
Elements els = document.getElementsByClass("result");
for (Element el : els) {
Map<String, String> map = new HashMap<>();
try {
map.put("id", el.attr("id"));
map.put("title", el.getElementsByTag("a").get(0).text());
map.put("url", el.getElementsByClass("f13").get(0).getElementsByTag("a").text());
result.add(map);
} catch (Exception e) {
}
}
} catch (Exception e) {
e.printStackTrace();
}
return result;
}
/**
* 分析在指定关键字在百度的排名
*
* @param keyword 关键字
* @param url 要找的目标包含的url
* @param maxPage 最多找几页，防止死循环
* @return 找得到返回map 超过最大页码还找不到返回null
*/
public static Map<String, String> BaiduRanking(String keyword, String url, int maxPage) {
System.out.println("开始查找百度中关键字为 \"" + keyword + "\" 且url包含 \""
+ url + "\" 的相关数据排名 最多查询 " + maxPage + "页");
for (int i = 0; i < maxPage; i++) {
// 输出当前页码和个数，不需要输出可以去掉
System.out.println("正在查询第" + i + "页中的第" + (i * 10 + 1) + " ~ " + ((i + 1) * 10) + "个");
List<Map<String, String>> list = spider(keyword, i);
for (Map<String, String> map : list) {
if (map.get("url").contains(url)) {
return map;
}
}
}
return null;
}
public static void main(String[] args) {
/*
* 例如 找关键字 极简壁纸 主要的网址特征 bz.zzzmh.cn 最多找20页 (相当于找1~200个中有无匹配)
* 若有匹配返回 id title url
* 若无匹配返回 Null
*/
System.out.println(BaiduRanking("极简壁纸", "zzzmh.cn", 20));
}
}
效果
1、网站标题: zzzmh's blog 网站url: https://zzzmh.cn
参数：
关键字: "zzzmh" 目标包含url: "zzzmh.cn" 最多查询页数: "20"
运行结果：
开始查找百度中关键字为 "zzzmh" 且url包含 "zzzmh.cn" 的相关数据排名 最多查询 20页
正在查询第0页中的第1 ~ 10个
正在查询第1页中的第11 ~ 20个
{id=13, title=zzzmh's Blog - Design By zmh, url=https://zzzmh.cn/ 百度快照}
2、网站标题: 极简壁纸... 网站url: https://bz.zzzmh.cn
参数：
关键字: "极简壁纸" 目标包含url: "zzzmh.cn" 最多查询页数: "20"
运行结果：
开始查找百度中关键字为 "极简壁纸" 且url包含 "zzzmh.cn" 的相关数据排名 最多查询 20页
正在查询第0页中的第1 ~ 10个
正在查询第1页中的第11 ~ 20个
正在查询第2页中的第21 ~ 30个
正在查询第3页中的第31 ~ 40个
正在查询第4页中的第41 ~ 50个
正在查询第5页中的第51 ~ 60个
正在查询第6页中的第61 ~ 70个
正在查询第7页中的第71 ~ 80个
正在查询第8页中的第81 ~ 90个
正在查询第9页中的第91 ~ 100个
{id=93, title=极简壁纸_极致严选高清电脑桌面壁纸美图4k_最潮桌面壁纸网站, url=https://bz.zzzmh.cn/ 百度快照}
3、网站标题: 极简插件... 网站url: https://chrome.zzzmh.cn
参数：
关键字: "极简插件" 目标包含url: "zzzmh.cn" 最多查询页数: "20"
运行结果：
开始查找百度中关键字为 "极简插件" 且url包含 "zzzmh.cn" 的相关数据排名 最多查询 20页
正在查询第0页中的第1 ~ 10个
正在查询第1页中的第11 ~ 20个
正在查询第2页中的第21 ~ 30个
正在查询第3页中的第31 ~ 40个
正在查询第4页中的第41 ~ 50个
正在查询第5页中的第51 ~ 60个
正在查询第6页中的第61 ~ 70个
正在查询第7页中的第71 ~ 80个
正在查询第8页中的第81 ~ 90个
正在查询第9页中的第91 ~ 100个
正在查询第10页中的第101 ~ 110个
正在查询第11页中的第111 ~ 120个
正在查询第12页中的第121 ~ 130个
正在查询第13页中的第131 ~ 140个
正在查询第14页中的第141 ~ 150个
正在查询第15页中的第151 ~ 160个
正在查询第16页中的第161 ~ 170个
正在查询第17页中的第171 ~ 180个
正在查询第18页中的第181 ~ 190个
正在查询第19页中的第191 ~ 200个
null
补充:
- 有结果返回map包含id、title、url。没有结果返回 Null
- 百度搜索的url可以指定rn页码，最多一页50个，使用后有效减少了连接次数。但亲测下来设置过rn以后的结果与实际用户在百度搜索的结果排序和个数都有出入。故选择用默认rn来检测，效果最准确。
本篇博客也发表在了我的个人主页，欢迎查看，地址https://zzzmh.cn/single?id=58
