简单的java采集程序二
继【简单的java采集程序】，这里将完成对整个网站的号码段的采集任务。
【使用预编译+批处理采集网页内容至数据库表中】
在之前我们用statement类来创建sql语句的执行对象，以实现插入字段到数据库的操作，但由于插入的数据量较大，如果继续用statement操作话，会很耗时间，我们用其子类PreparedStatement来进行操作。
PreparedStatement 可以实现sql语句的预编译，我们只需要通过其setString()方法传参即可，这样不仅效率提高了，而且也会更加安全，可防止SQL注入。推荐相关文章
另外我们还可以调用其addBatch()方法 和 executeBatch()实现批量插入处理。
代码如下，喜欢把数据库链接作为一个单独的类
import java.sql.DriverManager;
import java.sql.SQLException;
import com.mysql.jdbc.Connection;
public class database {
public static String driver ="com.mysql.jdbc.Driver";
public static String url="jdbc:mysql://127.0.0.1:3306/tele_dat?autoReconnect=true&characterEncoding=UTF-8";
public static String user ="root";
public static String password = "123456";
public static java.sql.Connection conn = null;
//返回一个数据库连接对象
public static Connection ConnectToDataBase(){
try {
Class.forName(driver);
} catch (ClassNotFoundException e) {
System.out.println("加载驱动失败");
e.printStackTrace();
}
try {
conn = DriverManager.getConnection(url, user, password);
System.out.println("连接成功");
} catch (SQLException e) {
System.out.println("连接出问题了");
e.printStackTrace();
}
return (Connection) conn;
}
//测试连接数据库
public static void main(String args[])
{
database.ConnectToDataBase();
}
}
主体程序
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URL;
import java.sql.Connection;
import java.sql.PreparedStatement;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Crawl {
private static Connection conn = database.ConnectToDataBase();
static String home_url = "http://www.hiphop8.com"; //网站首页
static String pattern_pro_city = "<DIV class=title><SPAN>(.*?) - (.*?)<\\/SPAN><\\/DIV>"; //匹配省名，市名
static String pattern_number = ">(13\\d{5}|15\\d{5}|18\\d{5}|147\\d{4})<"; //匹配号码段
static String pattern_pro ="\\w{3}\\.\\w{7}\\.\\w{3}\\/\\w{4}\\/\\w+"; //省份URL
static String pattern_city_hz="<LI><A href=\"(.*?)\" target=_blank>"; //城市URL的后缀
//编译预处理相关选项
static String insertSQL = "insert ignore into number_segment(segment,province,city) values(?, ?, ?)";
static PreparedStatement pst = null;
static int num_pro = 0;
static int num_city=0;
static int all_num_tele = 0;
public static void main(String[] args) throws Exception {
String PreStat = "insert ignore into number_segment(segment,province,city) values (?,?,?) ";
pst = conn.prepareStatement(PreStat.toString());
Matcher mat_home = get(home_url,pattern_pro);
long start = System.currentTimeMillis();
while(mat_home.find())
{
num_pro++;
System.out.println("------第"+num_pro+"个省-----");
String city_url_qz = "http://"+mat_home.group()+"/";
int len = city_url_qz.length();
//这里换成StringBuffer来最字符串进行相加处理
StringBuffer city_ur = new StringBuffer();
city_ur.append(city_url_qz);
Matcher mat_city_hz = get(city_url_qz,pattern_city_hz);
while(mat_city_hz.find()) //通过拼接获得 城市的完整url
{
num_city++;
System.out.println("第"+num_city+"个市");
String last_city_url=city_ur.append(mat_city_hz.group(1)).toString();
//String last_city_url = city_url_qz + mat_city_hz.group(1);
int len2 = last_city_url.length();
One_City_Tele_to_DB(last_city_url);
city_ur.delete(len,len2);
}
}
long end = System.currentTimeMillis();
long time = (end-start)/(1000*60);
conn.close();
System.out.println("查询到的电话号码段总数量："+all_num_tele);
System.out.println("花费的时间是:"+time);
}
public static void One_City_Tele_to_DB(String url) throws Exception {
int this_city_num=0;
String pro = null;
String city = null;
Matcher mat_pro_city = get(url,pattern_pro_city); //获取省名字 市名字
while(mat_pro_city.find())
{
String long_pro = mat_pro_city.group(1);
pro = long_pro.substring(0, long_pro.length()-1);
String long_city = mat_pro_city.group(2);
city = long_city.substring(0, long_city.length()-10);
System.out.println("省份:"+pro+" "+"城市："+city+" 正在插入号码段进数据库");
}
Matcher mat_number = get(url,pattern_number); //获取号码段
while(mat_number.find())
{
pst.setString(1,mat_number.group(1));
pst.setString(2, pro);
pst.setString(3, city);
pst.addBatch();
this_city_num++;
all_num_tele++;
}
pst.executeBatch(); //每次批量插入一个城市的号码段
pst.clearBatch();
System.out.println("该市插入的号码段的数量是："+ this_city_num);
}
//正则匹配
public static Matcher get(String str_url, String pattern) throws Exception {
String urlsource = get_Html(str_url);
Pattern p = Pattern.compile(pattern);
Matcher m = p.matcher(urlsource);
return m;
}
//获取网页内容
public static String get_Html(String str_url) throws IOException{
URL url = new URL(str_url);
String content="";
StringBuffer page = new StringBuffer();
try {
BufferedReader in = new BufferedReader(new InputStreamReader(url
.openStream()));
while((content = in.readLine()) != null){
page.append(content);
}
} catch (IOException e) {
e.printStackTrace();
}
return page.toString();
}
}
实际运行程序，发现有500多个重复的号码段，因为襄樊市 改成 襄阳市，这两个市的号码段全部一样，而数据库表中是以segment(号码)作为主键，所以要设置，当插入有相同主键的sql语句时，自动忽略跳过，方法就是在insert 后面加上ignore就可以了。
另外设置id为auto_increment，但如果把数据表里的数据清空之后，id不会从1重新开始，这时只要在mysql命令行下输入 truncate table table_name 就可以实现id从1开始了。
运行结果截图
显然，6分钟的速度还是太慢了，后面试了几次都是在6~8分钟之内（不过相对于不用批处理而直接用statement已经快很多了）。因此还得想办法优化。
【使用智能批量处理+StringBuilder的append()方法】
在插入mysql数据库表中时，可以以insert ignore into number_segment(segment,province,city) values(?, ?, ?)，vaulues(?)，values(?,?,?)…的形式进行批量插入，上面使用setString()方法传参还是太慢了，直接用StringBuilder的append()方法吧，我们都知道appedn()方法进行字符串相加处理的效率是很高的，所以我们每次在insert语句后面加入一段“vaulues(?，？，？)，”这样形式的字符串，然后批处理插入，这里通过变量all_tele_num进行批量处理的的控制，我们规定每次批量执行2000个数据段插入。
直接看代码吧
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URL;
import java.sql.Connection;
import java.sql.PreparedStatement;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class SecondCrawl {
private static Connection conn = database.ConnectToDataBase();
//预编译 + StringBuilder
static StringBuilder PreStat = new StringBuilder();
static String Qz = "insert ignore into number_segment(segment,province,city) values";
static String insertSQL = "insert ignore into number_segment(segment,province,city) values(?, ?, ?)";
static int len1 = Qz.length();
static PreparedStatement pst = null;
static String home_url = "http://www.hiphop8.com";
static String pattern_pro_city = "<DIV class=title><SPAN>(.*?) - (.*?)<\\/SPAN><\\/DIV>"; //匹配省名，市名
static String pattern_number = ">(13\\d{5}|15\\d{5}|18\\d{5}|147\\d{4})<"; //匹配号码段
static String pattern_pro ="\\w{3}\\.\\w{7}\\.\\w{3}\\/\\w{4}\\/\\w+"; //省份URL
static String pattern_city_hz="<LI><A href=\"(.*?)\" target=_blank>"; //城市URL的后缀
static int num_pro = 0;
static int num_city=0;
static int all_num_tele=0;
public static void main(String[] args) throws Exception {
Matcher mat_home = get(home_url,pattern_pro);
conn.setAutoCommit(true);
PreStat.append(Qz);
pst = conn.prepareStatement(insertSQL); //预编译
long start = System.currentTimeMillis();
while(mat_home.find())
{
num_pro++;
System.out.println("------第"+num_pro+"个省-----");
String city_url_qz = "http://"+mat_home.group()+"/";
int len = city_url_qz.length();
StringBuffer city_ur = new StringBuffer();
city_ur.append(city_url_qz);
Matcher mat_city_hz = get(city_url_qz,pattern_city_hz);
while(mat_city_hz.find()) //获得城市的url
{
num_city++;
System.out.println("第"+num_city+"个市");
String city_url=city_ur.append(mat_city_hz.group(1)).toString();
int len2 = city_url.length();
One_City_Tele_to_DB(city_url);
city_ur.delete(len,len2);
}
}
long end = System.currentTimeMillis();
long time = (end-start)/(1000*60);
pst.executeBatch(); //批处理执行最后面剩余的部分
conn.close();
System.out.println("查询到的电话号码段总数量："+all_num_tele);
System.out.println("花费的时间是:"+time+"分多钟\n"+"以微秒为单位："+(end-start)+"微秒");
}
//一个城市的手机号码段处理函数
public static void One_City_Tele_to_DB(String url) throws Exception {
String city=null;
String pro =null;
int this_city_num = 0;
Matcher mat_pro_city = get(url,pattern_pro_city);
while(mat_pro_city.find())
{
String long_pro = mat_pro_city.group(1);
pro = long_pro.substring(0, long_pro.length()-1);
String long_city = mat_pro_city.group(2);
city = long_city.substring(0, long_city.length()-10);
System.out.println("省份:"+pro+" "+"城市："+city+" 正在插入号码段进数据库...");
}
String temp = ",'"+pro+"','"+city+"'),";
Matcher mat_number = get(url,pattern_number);
while(mat_number.find())
{
PreStat.append("("+mat_number.group(1)).append(temp);
this_city_num++;
all_num_tele++;
if(all_num_tele<=208000 && all_num_tele % 2000==0)
{
PreStat.deleteCharAt(PreStat.length()-1); //除去sql语句后的逗号
pst.addBatch(PreStat.toString());
pst.executeBatch();
pst.clearBatch();
PreStat.delete(len1, PreStat.length()); //情况sql语句后面部分以释放空间
}
}
if(all_num_tele>208000) //后面不足2000部分的城市加入批处理中先不执行
{
PreStat.deleteCharAt(PreStat.length()-1);
pst.addBatch(PreStat.toString());
PreStat.delete(len1, PreStat.length());
}
System.out.println("该市插入的号码段的数量是："+ this_city_num);
}
//正则匹配
public static Matcher get(String str_url, String pattern) throws Exception {
String urlsource = get_Html(str_url);
Pattern p = Pattern.compile(pattern);
Matcher m = p.matcher(urlsource);
return m;
}
//获取网页内容
public static String get_Html(String str_url) throws IOException{
URL url = new URL(str_url);
String content="";
StringBuffer page = new StringBuffer();
try {
BufferedReader in = new BufferedReader(new InputStreamReader(url
.openStream()));
while((content = in.readLine()) != null){
page.append(content);
}
} catch (IOException e) {
e.printStackTrace();
}
return page.toString();
}
}
运行截图
测试了几次，运行时间是在2分钟左右，又提速了不少，不过还是有很大的提升空间的，因为自己在测试时，如果程序仅仅是插入20多万的sql语句，可以在几秒钟内完成。
说道再优化，自己的思路是把网站url采集和插入数据库使用多线程进行并发操作，现在正在学习java的多线程，也在尝试用多线程的方法写采集程序，如果大家还有更好的方法，也可以给我留言，愿意和大家一起交流进步。
