当前位置:AIGC资讯 > 数据采集 > 正文

Play Framework - 数据采集


准备工作:

    环境:

       A.mysql5.6


            mysql设置编码:

               0.若是您确定你的mysql是UTF-8编码的,可以直接进入底4步验证。

               1.下载https://github.com/pgq10240817/PlayNews/blob/master/conf/db/my.ini

               2.把1下载的文件放到您安装目录下面,可以直接命为my.ini(默认是没有改文件的,默认是有my-default.ini).

               3. 然后重启mysq打开cmd,输入services.msc 进入服务管理,定位到MySql,右键重新启动。

               4.打开cmd,进入到%MYSQL%/bin(如果设置了mysql环境变量,可以略过),输入mysql,

                再次输入 

show variables like 'char%';



                界面如下那就代表您成功了。
mysql> show variables like 'char%';
+--------------------------+-------------
-+
| Variable_name            | Value
 |
+--------------------------+-------------
-+
| character_set_client     | utf8
 |
| character_set_connection | utf8
 |
| character_set_database   | utf8
 |
| character_set_filesystem | binary
 |
| character_set_results    | utf8
 |
| character_set_server     | utf8
 |
| character_set_system     | utf8



            B.PLAY 控制台编码。

                    打开windows环境变量设置,添加系统变量:

PLAY_OPTS:-Dfile.encoding=GBK




                    楼主尝试过改为UTF8、UTF-8,然而还是乱码。。。。。



       C.创建数据库:

            运行:https://github.com/pgq10240817/PlayNews/blob/master/conf/db/database.sql

            创建数据库,主要是做了下默认编码。

        D.play配置:

            1.数据库配置:

                参考https://github.com/pgq10240817/PlayNews/blob/master/client/myNews/conf/db.conf

# Database configuration
# db.default.url="jdbc:mysql://127.0.0.1:3306/dbnews1?characterEncoding=utf8&zeroDateTimeBehavior=convertToNull"
db.default.driver=com.mysql.jdbc.Driver  
db.default.url="jdbc:mysql://127.0.0.1/dbnews1"
db.default.user=root
db.default.pass="123456"


# Ebean configuration
#ebean.default="com.yhpl.model.*"
#evolutionplugin=disabled
ebean.default="models.*"



            以上代码可以下载play project/conf/application.conf下面,也可以新建一个db.conf,然后application.conf加入

            include "db.conf"就可以了。


            2.常量配置:

                参考:https://github.com/pgq10240817/PlayNews/blob/master/client/myNews/conf/http.conf

                配置了网易音乐的一些常用链接,然后https://github.com/pgq10240817/PlayNews/blob/master/client/myNews/app/com/yhpl/utils/NewsUrlUtil.java

                NewsUtil提供了对该类的写访问。

            3.play路由配置:

                https://github.com/pgq10240817/PlayNews/blob/master/client/myNews/conf/routes

            暂时只是配置了如下:

GET /initChannels					controllers.CaptureController.initChannels()
GET /initNews						controllers.CaptureController.initNews()

            其中initChannels代表初始化频道,initNews代表读取频道的value去初始化新闻。






数据分析:

    数据来源:

        本次数据来源是采用网易新闻的来源。总共会采集2个分类,1:新闻频道,2:频道下的新闻。

   数据格式:

        通过fiddler抓包,发现网易新闻的数据包格式如下:

                1:频道    

                        https://github.com/pgq10240817/PlayNews/blob/master/conf/data/fiddler/channels.txt

                2:新闻

                        https://github.com/pgq10240817/PlayNews/blob/master/conf/data/fiddler/news.txt

        其中2中的抓包需要用到1的频道ID


    数据分析:

          通过分析数据格式发现,获取频道的内容的URL是固定的,获取新闻需要用到3个参数,频道ID,page,pageCount。



编写Bean:

        Bean类位于:

        https://github.com/pgq10240817/PlayNews/tree/master/client/myNews/app/models

        下Channels.java,News.java。



数据采集:

        代码位于:https://github.com/pgq10240817/PlayNews/blob/master/client/myNews/app/controllers/CaptureController.java

        1.频道采集:

public static Result initChannels() {
		NewChannalsVo chanals = (NewChannalsVo) JsonFileUtil.getGetUrlContentAsObject(NewsUrlUtil.getChannelUrl(),
				NewChannalsVo.class);
		if (chanals != null) {
			NewChannalVo[] channelArray = chanals.gettList();
			List<Channels> beans = new ArrayList<Channels>();
			for (int i = 0; i < channelArray.length; i++) {
				NewChannalVo jsonObj = channelArray[i];
				Channels bean = new Channels();
				bean.cname = jsonObj.getTname();
				bean.cid = jsonObj.getTid();
				bean.subnum = jsonObj.getSubnum();
				beans.add(bean);

			}
			Ebean.beginTransaction();
			for (int i = 0; i < channelArray.length; i++) {
				Channels bean = beans.get(i);
				Channels target = Channels.getChannelWithCname(bean.cname);
				if (target == null) {
					Ebean.save(bean);
				} else {
					System.out.println("exist -- " + target.cname);
				}
			}

			Ebean.commitTransaction();

		}
		return ok("init Channels success");
	}



        2.新闻采集:


public static Result initNews() {
		Page<Channels> pageChannel = Channels.page(1, 20, "id", "asc");
		if (pageChannel.getTotalRowCount() > 0) {
			List<Channels> channelBeans = pageChannel.getList();
			if (!CollectionUtil.isEmpty(channelBeans)) {
				for (int i = 0; i < channelBeans.size(); i++) {

					// A.解析数据
					Channels channelBean = channelBeans.get(i);
					String url = NewsUrlUtil.getChannelNewsUrlWithCidPageCount(channelBean.cid);
					JsonNode node = JsonFileUtil.getGetUrlContentAsJsonNode(url);
					ArrayNode arrayNodes = (ArrayNode) node.get(channelBean.cid);
					Iterator<JsonNode> iter = arrayNodes.iterator();
					List<News> mNews = new ArrayList<News>();
					while (iter.hasNext()) {
						JsonNode childNode = iter.next();
						NewsVo childNews = Json.fromJson(childNode, NewsVo.class);
						News news = new News();
						news.cid = channelBean.cid;
						news.cp = childNews.getSource();
						news.icon = childNews.getImgsrc();
						news.url = childNews.getUrl();
						news.title = childNews.getTitle();
						news.snapDetail = childNews.getDigest();
						news.time = DateUtil.getDateFromString(childNews.getPtime());
						mNews.add(news);
						System.out.println("child:" + childNews);
					}

					// B.过滤数据库
					CollectionUtil.trimListWithFilter(mNews, new TrimFilter<News>() {

						@Override
						public boolean isFilter(News t) {
							return t != null && News.getNewsWithTitle(t.title) != null;
						}
					});

					// C.POJO -> DB
					if (!CollectionUtil.isEmpty(mNews)) {
						System.out.println("save --- > :" + channelBean.cid);
						Ebean.save(mNews);
					}

				}
			}
		}

		return ok("init News success");
	}




               3.运行play之后,第一次初始化会要求add scripts,点击add即可。



Next:

        昨天在wooyun提交的漏洞又是审核不通过,理由是:

            无法联系到厂商并且问题影响不大。。。

        那个道友助我一臂啊。。。

        下次估计会在国庆节后更,内容主要是,编写接口共客户端调用,会有2个接口,获取频道,获取频道下的新闻。










更新时间 2023-11-08