利用Java爬虫根据关键词获取商品列表：实战指南

在电商领域，通过关键词搜索商品并获取商品列表是常见的需求。本文将详细介绍如何使用Java编写爬虫程序，根据关键词获取商品列表，并确保爬虫行为符合平台规范。为了确保代码的准确性和实用性，我们将提供详细的代码示例和解释。

一、环境准备

（一）Java开发环境

确保你的系统中已安装Java开发环境，推荐使用JDK 11或更高版本。

（二）安装所需库

使用Maven管理项目依赖，主要包括以下库：

Jsoup：用于解析HTML内容。
HttpClient：用于发送HTTP请求。

在pom.xml中添加以下依赖：

xml

<dependencies><!-- Jsoup Dependency --><dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.14.3</version></dependency><!-- HttpClient Dependency --><dependency><groupId>org.apache.httpcomponents</groupId><artifactId>httpclient</artifactId><version>4.5.13</version></dependency>
</dependencies>

二、编写爬虫代码

（一）发送HTTP请求

使用HttpClient发送GET请求，获取商品列表页面的HTML内容。

java

java">import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;import java.io.IOException;public class ProductListCrawler {public static String getHtml(String url) {try (CloseableHttpClient client = HttpClients.createDefault()) {HttpGet request = new HttpGet(url);request.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36");return EntityUtils.toString(client.execute(request).getEntity());} catch (IOException e) {e.printStackTrace();return null;}}
}

（二）解析HTML内容

使用Jsoup解析HTML内容，提取商品列表。

java

java">import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;import java.util.ArrayList;
import java.util.List;
import java.util.Map;
import java.util.HashMap;public class HtmlParser {public static List<Map<String, String>> parseHtml(String html) {List<Map<String, String>> products = new ArrayList<>();Document document = Jsoup.parse(html);// 根据商品列表页面结构调整解析逻辑Elements productElements = document.select("div.product-item");for (Element productElement : productElements) {Map<String, String> product = new HashMap<>();product.put("title", productElement.select("h3.product-title").first().text());product.put("price", productElement.select("span.product-price").first().text());product.put("description", productElement.select("div.product-description").first().text());product.put("image_url", productElement.select("img.product-image").first().attr("src"));products.add(product);}return products;}
}

（三）根据关键词获取商品列表

根据关键词构造搜索URL，获取商品列表页面的HTML内容，并解析。

java

java">public class ProductListCrawler {public static List<Map<String, String>> getProductList(String keyword, int page) {String baseUrl = "https://www.example.com/search"; // 替换为实际的搜索URLString url = baseUrl + "?q=" + keyword + "&page=" + page;String html = getHtml(url);if (html != null) {return HtmlParser.parseHtml(html);}return new ArrayList<>();}public static void main(String[] args) {String keyword = "连衣裙"; // 替换为实际关键词List<Map<String, String>> products = getProductList(keyword, 1);for (Map<String, String> product : products) {System.out.println("商品名称: " + product.get("title"));System.out.println("商品价格: " + product.get("price"));System.out.println("商品描述: " + product.get("description"));System.out.println("商品图片URL: " + product.get("image_url"));System.out.println("----------------------");}}
}

三、注意事项

（一）遵守平台规则

在编写爬虫时，必须严格遵守目标平台的使用协议，避免触发反爬机制。

（二）合理设置请求频率

避免过高的请求频率，以免对平台服务器造成压力。建议在请求之间添加适当的延时：

java

java">Thread.sleep(1000); // 每次请求间隔1秒

（三）数据安全

妥善保管爬取的数据，避免泄露用户隐私和商业机密。

（四）处理异常情况

在爬虫代码中添加异常处理机制，确保在遇到错误时能够及时记录并处理。

java

java">try {List<Map<String, String>> products = getProductList(keyword, 1);for (Map<String, String> product : products) {System.out.println("商品名称: " + product.get("title"));System.out.println("商品价格: " + product.get("price"));System.out.println("商品描述: " + product.get("description"));System.out.println("商品图片URL: " + product.get("image_url"));System.out.println("----------------------");}
} catch (Exception e) {e.printStackTrace();
}