本文共 7925 字，大约阅读时间需要 26 分钟。

一、腾讯新闻采集

1.按分类采集腾讯新闻列表

分析过程：

1. 采集的网页地址：
   
   2.先进入一个分类(娱乐)来分析数据如何传输的
   
   3. 通过在娱乐分类页面里，向下滑动新闻加载更多数据，同时 利用chrome的Network可以发现有一个加载下一页的url接口： https://pacaio.match.qq.com/xw/site?ext=ent&channel=ent&webview=wechat&qudao=default&network=WIFI&num=20&page=1
   4. 通过分析，上面这个接口就是获取新闻列表的数据接口。下一步我们将要模拟请求 去爬取这个url接口数据。 而且我们发现只需要修改请求url里的page的参数就可以得到新闻第几页数据了。这就更方便我们去遍历获取新闻数据了。
      
      5.接下来，我们就可以写代码去请求接口并解析返回的json数据了

具体代码：

```java    public static void main(String[] args) {        //循环10次  采集10页        for (int i = 1; i < 10; i++) {            String url="https://pacaio.match.qq.com/xw/site?ext=ent&channel=ent&webview=wechat&qudao=default&network=WIFI&num=20&page="+i+"&_t=1625219273";            String s = get(url);            JSONObject jsonObject = JSONObject.parseObject(s);            JSONArray jsonArray = jsonObject.getJSONArray("data");            if (jsonArray.isEmpty())                continue;            for (Object o : jsonArray) {                JSONObject jsonObject1 = JSONObject.parseObject(String.valueOf(o));                //新闻id                String sourceid = jsonObject1.getString("app_id");                //作者                String source = jsonObject1.getString("source");                //标题                String topic = jsonObject1.getString("title");                //新闻详细内容的地址                String sourceurl = jsonObject1.getString("url");                //新闻的创建时间                String datetime = jsonObject1.getString("update_time");                //新闻的评论数                int like_count = jsonObject1.getInteger("comment_num");                //新闻的缩略图                JSONArray jsonArray1 = jsonObject1.getJSONArray("multi_imgs");                System.out.println(topic);                System.out.println(sourceurl);            }        }    }    //get请求的工具方法    private static String get(String url) {        String result = "";        BufferedReader in = null;        try {            URL realUrl = new URL(url);            URLConnection connection = realUrl.openConnection(); // 打开和URL之间的连接            // 设置通用的请求属性            connection.setRequestProperty("Accept-Charset", "UTF-8");            connection.setRequestProperty("content-type", "text/html; charset=utf-8");            connection.setRequestProperty("accept", "*/*");            //connection.setRequestProperty("Cookie", "tt_webid=20 B, session, HttpOnly www.toutiao.com/");            connection.setRequestProperty("Cookie", "utm_source=vivoliulanqi; webpSupport=%7B%22lossy%22%3Atrue%2C%22animation%22%3Atrue%2C%22alpha%22%3Atrue%7D; tt_webid=6977609332415530509; ttcid=1b2305f8baa44c8f929093024ae40dbf62; csrftoken=f8363c5a04097f7fd5d2ee36cf5bbd40; s_v_web_id=verify_kqbxnll7_QA9Z6n7G_LFul_4hTP_9jZf_zgZYUK3ySQOT; _ga=GA1.2.2038365076.1624601292; _gid=GA1.2.2124270427.1624601292; MONITOR_WEB_ID=518b84ad-98d5-4cb4-9e4e-4e3c3ec3ffe2; tt_webid=6977609332415530509; __ac_nonce=060d5aa4200b3672b2734; __ac_signature=_02B4Z6wo00f010CALQgAAIDA8HHBwRR4FntApCmAALEAeRZEDep7WW-RzEt50sUvtrkCpbRJMhboWeZNJ2s66iti2ZD-7sSiClTqpKs6b7ppQUp1vD8JHANxzSZ1srY4FF1y1iQitM1bQvYIf3; ttwid=1%7CTBE591UU7daDw3rsqkr6wXM1DqlOA3iyjUnPK-W6ThQ%7C1624615515%7Ccb0f077482096b50d19757a23f71240547d6b0c767bf9ab90fa583d022f47745; tt_scid=af-M9Xg-rmZAnPsCXhZu.2.DfKZe95AyPKJFzU0cL1KarDLfV3JYeIf.G28mIwhI57a0");            connection.setRequestProperty("connection", "Keep-Alive");            connection.setRequestProperty("user-agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36");            connection.connect(); // 建立实际的连接            Map
   
    > map = connection.getHeaderFields(); // 获取所有响应头字段            in = new BufferedReader(new InputStreamReader(                    connection.getInputStream(),"utf-8"));            String line;            while ((line = in.readLine()) != null) {                result += line;            }        } catch (Exception e) {            e.printStackTrace();        }        // 使用finally块来关闭输入流        finally {            try {                if (in != null) {                    in.close();                }            } catch (Exception e2) {                e2.printStackTrace();            }        }        return result;    }```
   

2.采集腾讯新闻内容

分析过程

1. 上面我们已经采集到了列表数据，拿到了 新闻内容地址：
   
2. 打开新闻链接内容，分析如何获取内容。https://xw.qq.com/cmsid/20210630A09TUE00
   
   3.打开新闻页面后，在chrome的浏览器 按住 Ctrl+U 查看内容的资源文件：
   
   4.复制出资源文件里的html内容，美化成好看的格式后。分析如何拿到新闻 的文本和图片。
   
   5.分析后， html里有一个js变量（json_content）里，有我们要用的数据。

具体代码

//采集腾讯内容       public static void main(String[] args) {
           String s = get("https://xw.qq.com/cmsid/20210630A09TUE00");        String[] split = s.split("json_content\":");        if (split.length<=1){
               return;        }        String[] split1 = split[1].split("]");        JSONArray array = JSONObject.parseArray(split1[0] + "]");        StringBuilder contentBuffer = new StringBuilder(); //得到主体内容        for (Object o : array) {
               JSONObject jsonObject = JSONObject.parseObject(String.valueOf(o));            String value = jsonObject.getString("value");            Integer type = jsonObject.getInteger("type");            if (type==1){
                   contentBuffer.append("
" + value + "
");                System.out.println("文本："+value);            }else if(type==2){
                   System.out.println("图片："+value);                contentBuffer.append("");            }        }                //整理后的内容        System.out.println(contentBuffer);    }    //get请求的工具方法    private static String get(String url) {
           String result = "";        BufferedReader in = null;        try {
               URL realUrl = new URL(url);            URLConnection connection = realUrl.openConnection(); // 打开和URL之间的连接            // 设置通用的请求属性            connection.setRequestProperty("Accept-Charset", "UTF-8");            connection.setRequestProperty("content-type", "text/html; charset=utf-8");            connection.setRequestProperty("accept", "*/*");            //connection.setRequestProperty("Cookie", "tt_webid=20 B, session, HttpOnly www.toutiao.com/");            connection.setRequestProperty("Cookie", "utm_source=vivoliulanqi; webpSupport=%7B%22lossy%22%3Atrue%2C%22animation%22%3Atrue%2C%22alpha%22%3Atrue%7D; tt_webid=6977609332415530509; ttcid=1b2305f8baa44c8f929093024ae40dbf62; csrftoken=f8363c5a04097f7fd5d2ee36cf5bbd40; s_v_web_id=verify_kqbxnll7_QA9Z6n7G_LFul_4hTP_9jZf_zgZYUK3ySQOT; _ga=GA1.2.2038365076.1624601292; _gid=GA1.2.2124270427.1624601292; MONITOR_WEB_ID=518b84ad-98d5-4cb4-9e4e-4e3c3ec3ffe2; tt_webid=6977609332415530509; __ac_nonce=060d5aa4200b3672b2734; __ac_signature=_02B4Z6wo00f010CALQgAAIDA8HHBwRR4FntApCmAALEAeRZEDep7WW-RzEt50sUvtrkCpbRJMhboWeZNJ2s66iti2ZD-7sSiClTqpKs6b7ppQUp1vD8JHANxzSZ1srY4FF1y1iQitM1bQvYIf3; ttwid=1%7CTBE591UU7daDw3rsqkr6wXM1DqlOA3iyjUnPK-W6ThQ%7C1624615515%7Ccb0f077482096b50d19757a23f71240547d6b0c767bf9ab90fa583d022f47745; tt_scid=af-M9Xg-rmZAnPsCXhZu.2.DfKZe95AyPKJFzU0cL1KarDLfV3JYeIf.G28mIwhI57a0");            connection.setRequestProperty("connection", "Keep-Alive");            connection.setRequestProperty("user-agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36");            connection.connect(); // 建立实际的连接            Map
   
    > map = connection.getHeaderFields(); // 获取所有响应头字段            in = new BufferedReader(new InputStreamReader(                    connection.getInputStream(),"utf-8"));            String line;            while ((line = in.readLine()) != null) {
                   result += line;            }        } catch (Exception e) {
               e.printStackTrace();        }        // 使用finally块来关闭输入流        finally {
               try {
                   if (in != null) {
                       in.close();                }            } catch (Exception e2) {
                   e2.printStackTrace();            }        }        return result;    }
   

执行后：

二、新浪新闻采集分析

转载地址：http://romen.baihongyu.com/