Java实现对Baidu新闻网站(http://news.baidu.com/)新闻列表信息的采集功能; 2) 将采集结果保存到MySQL数据库中。3新闻采集信息至少包含:新闻类别|新闻标题|采集时间等信息。扩展采集信息(可选)包括:新闻来源|发布时间信息; 3) 要求具有基于新闻标题的新闻查重功能(相同标题的新闻只保存一条)。不使用Jsoup解析库

时间: 2024-01-24 10:19:54 浏览: 23
实现对Baidu新闻网站新闻列表信息的采集功能,可以使用Java自带的URLConnection类进行网络请求和获取页面内容,然后使用正则表达式或字符串操作等方式提取所需要的信息。以下是一个简单的示例代码: ```java import java.io.BufferedReader; import java.io.InputStreamReader; import java.net.URL; import java.net.URLConnection; import java.util.ArrayList; import java.util.List; import java.util.regex.Matcher; import java.util.regex.Pattern; public class BaiduNewsCrawler { public static void main(String[] args) { String url = "http://news.baidu.com/"; String content = sendGet(url); List<String> newsList = extractNewsList(content); for (String news : newsList) { System.out.println(news); } } private static String sendGet(String url) { String result = ""; try { URLConnection connection = new URL(url).openConnection(); connection.connect(); BufferedReader in = new BufferedReader(new InputStreamReader(connection.getInputStream(), "UTF-8")); String line; while ((line = in.readLine()) != null) { result += line + "\n"; } in.close(); } catch (Exception e) { System.out.println("Error sending GET request: " + e.getMessage()); } return result; } private static List<String> extractNewsList(String content) { List<String> newsList = new ArrayList<>(); String pattern = "<a href=\"(.*?)\".*?>(.*?)</a>"; Pattern r = Pattern.compile(pattern); Matcher m = r.matcher(content); while (m.find()) { String link = m.group(1); String title = m.group(2); if (link.startsWith("http") && !title.isEmpty()) { newsList.add(title + " " + link); } } return newsList; } } ``` 上述代码使用了URLConnection发送GET请求获取页面内容,并使用正则表达式提取新闻列表信息。其中,extractNewsList方法返回一个包含新闻标题和链接的列表。 对于将采集结果保存到MySQL数据库中,我们可以使用JDBC连接数据库并执行SQL语句。以下是一个简单的示例代码: ```java import java.sql.Connection; import java.sql.DriverManager; import java.sql.PreparedStatement; import java.sql.ResultSet; import java.sql.SQLException; import java.util.ArrayList; import java.util.List; import java.util.regex.Matcher; import java.util.regex.Pattern; public class BaiduNewsCrawler { private static final String JDBC_URL = "jdbc:mysql://localhost:3306/news_db"; private static final String JDBC_USER = "root"; private static final String JDBC_PASSWORD = "password"; public static void main(String[] args) { String url = "http://news.baidu.com/"; String content = sendGet(url); List<News> newsList = extractNewsList(content); saveToDatabase(newsList); List<News> duplicateNewsList = findDuplicateNews(); System.out.println("Duplicate news:"); for (News news : duplicateNewsList) { System.out.println(news.title); } } private static String sendGet(String url) { String result = ""; try { Connection conn = DriverManager.getConnection(JDBC_URL, JDBC_USER, JDBC_PASSWORD); Class.forName("com.mysql.jdbc.Driver"); String sql = "SELECT * FROM news WHERE url = ?"; PreparedStatement pstmt = conn.prepareStatement(sql); pstmt.setString(1, url); ResultSet rs = pstmt.executeQuery(); if (rs.next()) { System.out.println("News already exists in database."); return rs.getString("content"); } } catch (Exception e) { System.out.println("Error checking database: " + e.getMessage()); } try { URLConnection connection = new URL(url).openConnection(); connection.connect(); BufferedReader in = new BufferedReader(new InputStreamReader(connection.getInputStream(), "UTF-8")); String line; while ((line = in.readLine()) != null) { result += line + "\n"; } in.close(); } catch (Exception e) { System.out.println("Error sending GET request: " + e.getMessage()); } try { Connection conn = DriverManager.getConnection(JDBC_URL, JDBC_USER, JDBC_PASSWORD); Class.forName("com.mysql.jdbc.Driver"); String sql = "INSERT INTO news (url, content) VALUES (?, ?)"; PreparedStatement pstmt = conn.prepareStatement(sql); pstmt.setString(1, url); pstmt.setString(2, result); pstmt.executeUpdate(); } catch (Exception e) { System.out.println("Error saving to database: " + e.getMessage()); } return result; } private static List<News> extractNewsList(String content) { List<News> newsList = new ArrayList<>(); String pattern = "<a href=\"(.*?)\".*?>(.*?)</a>"; Pattern r = Pattern.compile(pattern); Matcher m = r.matcher(content); while (m.find()) { String link = m.group(1); String title = m.group(2); if (link.startsWith("http") && !title.isEmpty()) { newsList.add(new News(title, link)); } } return newsList; } private static void saveToDatabase(List<News> newsList) { try { Connection conn = DriverManager.getConnection(JDBC_URL, JDBC_USER, JDBC_PASSWORD); Class.forName("com.mysql.jdbc.Driver"); String sql = "INSERT INTO news (category, title, url, datetime) VALUES (?, ?, ?, ?)"; PreparedStatement pstmt = conn.prepareStatement(sql); for (News news : newsList) { pstmt.setString(1, news.category); pstmt.setString(2, news.title); pstmt.setString(3, news.url); pstmt.setLong(4, news.datetime); pstmt.executeUpdate(); } } catch (Exception e) { System.out.println("Error saving to database: " + e.getMessage()); } } private static List<News> findDuplicateNews() { List<News> duplicateNewsList = new ArrayList<>(); try { Connection conn = DriverManager.getConnection(JDBC_URL, JDBC_USER, JDBC_PASSWORD); Class.forName("com.mysql.jdbc.Driver"); String sql = "SELECT title, COUNT(*) FROM news GROUP BY title HAVING COUNT(*) > 1"; PreparedStatement pstmt = conn.prepareStatement(sql); ResultSet rs = pstmt.executeQuery(); while (rs.next()) { String title = rs.getString("title"); int count = rs.getInt(2); System.out.println(title + " (" + count + " duplicates)"); sql = "SELECT * FROM news WHERE title = ? ORDER BY datetime DESC LIMIT " + (count - 1); pstmt = conn.prepareStatement(sql); pstmt.setString(1, title); ResultSet rs2 = pstmt.executeQuery(); while (rs2.next()) { duplicateNewsList.add(new News(rs2.getString("category"), title, rs2.getString("url"), rs2.getLong("datetime"))); } } } catch (Exception e) { System.out.println("Error finding duplicate news: " + e.getMessage()); } return duplicateNewsList; } private static class News { public String category; public String title; public String url; public long datetime; public News(String title, String url) { this.title = title; this.url = url; this.category = ""; this.datetime = System.currentTimeMillis(); } public News(String category, String title, String url, long datetime) { this.category = category; this.title = title; this.url = url; this.datetime = datetime; } } } ``` 上述代码使用了JDBC连接MySQL数据库并执行SQL语句。其中,saveToDatabase方法将采集到的新闻保存到数据库中;findDuplicateNews方法查找数据库中重复的新闻,并返回一个包含重复新闻的列表。 最后,为了实现基于新闻标题的新闻查重功能,我们可以在保存新闻到数据库的时候先检查数据库中是否已经存在相同标题的新闻,如果存在则不保存。以下是修改后的saveToDatabase方法的代码: ```java private static void saveToDatabase(List<News> newsList) { try { Connection conn = DriverManager.getConnection(JDBC_URL, JDBC_USER, JDBC_PASSWORD); Class.forName("com.mysql.jdbc.Driver"); String sql = "SELECT * FROM news WHERE title = ?"; PreparedStatement pstmt = conn.prepareStatement(sql); for (News news : newsList) { pstmt.setString(1, news.title); ResultSet rs = pstmt.executeQuery(); if (!rs.next()) { sql = "INSERT INTO news (category, title, url, datetime) VALUES (?, ?, ?, ?)"; pstmt = conn.prepareStatement(sql); pstmt.setString(1, news.category); pstmt.setString(2, news.title); pstmt.setString(3, news.url); pstmt.setLong(4, news.datetime); pstmt.executeUpdate(); } } } catch (Exception e) { System.out.println("Error saving to database: " + e.getMessage()); } } ``` 上述代码在保存到数据库之前先查询数据库中是否已经存在相同标题的新闻,如果存在则不保存。这样就实现了基于新闻标题的新闻查重功能。

相关推荐

把字符串型 http://baike.baidu.com/item/%E7%81%B5%E5%B3%B0/22666529,http://baike.baidu.com/item/%E7%81%B5%E5%B3%B0/22666269,http://baike.baidu.com/item/%E5%A4%A7%E9%BE%99%E6%B9%AB/85909,http://baike.baidu.com/item/%E9%9B%81%E8%8D%A1%E5%B1%B1/24132384,http://baike.baidu.com/view/1.htm,http://baike.baidu.com/item/%E5%A4%A7%E9%BE%99%E6%B9%AB/23583829,http://baike.baidu.com/view/4.htm,http://baike.baidu.com/item/%E9%9B%81%E8%8D%A1%E5%B1%B1/85904,http://baike.baidu.com/item/%E7%81%B5%E5%B3%B0/22666716,http://baike.baidu.com/item/%E7%81%B5%E5%B3%B0/57049628,http://baike.baidu.com/item/%E9%9B%81%E8%8D%A1%E5%B1%B1/49728219,http://baike.baidu.com/item/%E9%9B%81%E8%8D%A1%E5%B1%B1/24333588,http://baike.baidu.com/view/2.htm,http://baike.baidu.com/view/9.htm,http://baike.baidu.com/item/%E9%9B%81%E8%8D%A1%E5%B1%B1/24359580,http://baike.baidu.com/view/10.htm,http://baike.baidu.com/item/%E7%81%B5%E5%B3%B0/22666529,http://baike.baidu.com/item/%E7%81%B5%E5%B3%B0/22666269,http://baike.baidu.com/item/%E7%81%B5%E5%B3%B0/85906,http://baike.baidu.com/item/%E5%A4%A7%E9%BE%99%E6%B9%AB/85909,http://baike.baidu.com/item/%E9%9B%81%E8%8D%A1%E5%B1%B1/24132384,http://baike.baidu.com/item/%E5%A4%A7%E9%BE%99%E6%B9%AB/23583829,http://baike.baidu.com/view/4.htm,http://baike.baidu.com/item/%E9%9B%81%E8%8D%A1%E5%B1%B1/85904,http://baike.baidu.com/item/%E7%81%B5%E5%B3%B0/22666716,http://baike.baidu.com/item/%E7%81%B5%E5%B3%B0/57049628,http://baike.baidu.com/item/%E9%9B%81%E8%8D%A1%E5%B1%B1/49728219,http://baike.baidu.com/item/%E9%9B%81%E8%8D%A1%E5%B1%B1/24333588,http://baike.baidu.com/view/2.htm,http://baike.baidu.com/view/9.htm,http://baike.baidu.com/item/%E9%9B%81%E8%8D%A1%E5%B1%B1/24359580,http://baike.baidu.com/view/10.htm 用逗号分隔,再去重后遍历

最新推荐

recommend-type

RTL8188FU-Linux-v5.7.4.2-36687.20200602.tar(20765).gz

REALTEK 8188FTV 8188eus 8188etv linux驱动程序稳定版本, 支持AP,STA 以及AP+STA 共存模式。 稳定支持linux4.0以上内核。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

去除字符串s="ab23cde"中的数字,构成一个新的字符串"abcde"。

可以使用正则表达式来匹配并替换字符串中的数字: ```python import re s = "ab23cde" new_s = re.sub(r'\d+', '', s) print(new_s) # 输出:abcde ``` 其中,`\d` 表示匹配数字,`+` 表示匹配一个或多个数字,`re.sub()` 函数用来替换匹配到的数字为空字符串。
recommend-type

c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf

校园超市商品信息管理系统课程设计旨在帮助学生深入理解程序设计的基础知识,同时锻炼他们的实际操作能力。通过设计和实现一个校园超市商品信息管理系统,学生掌握了如何利用计算机科学与技术知识解决实际问题的能力。在课程设计过程中,学生需要对超市商品和销售员的关系进行有效管理,使系统功能更全面、实用,从而提高用户体验和便利性。 学生在课程设计过程中展现了积极的学习态度和纪律,没有缺勤情况,演示过程流畅且作品具有很强的使用价值。设计报告完整详细,展现了对问题的深入思考和解决能力。在答辩环节中,学生能够自信地回答问题,展示出扎实的专业知识和逻辑思维能力。教师对学生的表现予以肯定,认为学生在课程设计中表现出色,值得称赞。 整个课程设计过程包括平时成绩、报告成绩和演示与答辩成绩三个部分,其中平时表现占比20%,报告成绩占比40%,演示与答辩成绩占比40%。通过这三个部分的综合评定,最终为学生总成绩提供参考。总评分以百分制计算,全面评估学生在课程设计中的各项表现,最终为学生提供综合评价和反馈意见。 通过校园超市商品信息管理系统课程设计,学生不仅提升了对程序设计基础知识的理解与应用能力,同时也增强了团队协作和沟通能力。这一过程旨在培养学生综合运用技术解决问题的能力,为其未来的专业发展打下坚实基础。学生在进行校园超市商品信息管理系统课程设计过程中,不仅获得了理论知识的提升,同时也锻炼了实践能力和创新思维,为其未来的职业发展奠定了坚实基础。 校园超市商品信息管理系统课程设计的目的在于促进学生对程序设计基础知识的深入理解与掌握,同时培养学生解决实际问题的能力。通过对系统功能和用户需求的全面考量,学生设计了一个实用、高效的校园超市商品信息管理系统,为用户提供了更便捷、更高效的管理和使用体验。 综上所述,校园超市商品信息管理系统课程设计是一项旨在提升学生综合能力和实践技能的重要教学活动。通过此次设计,学生不仅深化了对程序设计基础知识的理解,还培养了解决实际问题的能力和团队合作精神。这一过程将为学生未来的专业发展提供坚实基础,使其在实际工作中能够胜任更多挑战。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

实现实时监控告警系统:Kafka与Grafana整合

![实现实时监控告警系统:Kafka与Grafana整合](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9BVldpY3ladXVDbEZpY1pLWmw2bUVaWXFUcEdLT1VDdkxRSmQxZXB5R1lxaWNlUjA2c0hFek5Qc3FyRktudFF1VDMxQVl3QTRXV2lhSWFRMEFRc0I1cW1ZOGcvNjQw?x-oss-process=image/format,png) # 1.1 Kafka集群架构 Kafka集群由多个称为代理的服务器组成,这
recommend-type

帮我用python随便写一个demo

以下是一个简单的Python demo: ``` python # 这是一个简单的Python demo # 用于计算两个数的加、减、乘、除 # 定义两个数 num1 = 10 num2 = 5 # 加法 result_add = num1 + num2 print("加法结果为:", result_add) # 减法 result_sub = num1 - num2 print("减法结果为:", result_sub) # 乘法 result_mul = num1 * num2 print("乘法结果为:", result_mul) # 除法 result_div = num1
recommend-type

建筑供配电系统相关课件.pptx

建筑供配电系统是建筑中的重要组成部分,负责为建筑内的设备和设施提供电力支持。在建筑供配电系统相关课件中介绍了建筑供配电系统的基本知识,其中提到了电路的基本概念。电路是电流流经的路径,由电源、负载、开关、保护装置和导线等组成。在电路中,涉及到电流、电压、电功率和电阻等基本物理量。电流是单位时间内电路中产生或消耗的电能,而电功率则是电流在单位时间内的功率。另外,电路的工作状态包括开路状态、短路状态和额定工作状态,各种电气设备都有其额定值,在满足这些额定条件下,电路处于正常工作状态。而交流电则是实际电力网中使用的电力形式,按照正弦规律变化,即使在需要直流电的行业也多是通过交流电整流获得。 建筑供配电系统的设计和运行是建筑工程中一个至关重要的环节,其正确性和稳定性直接关系到建筑物内部设备的正常运行和电力安全。通过了解建筑供配电系统的基本知识,可以更好地理解和应用这些原理,从而提高建筑电力系统的效率和可靠性。在课件中介绍了电工基本知识,包括电路的基本概念、电路的基本物理量和电路的工作状态。这些知识不仅对电气工程师和建筑设计师有用,也对一般人了解电力系统和用电有所帮助。 值得一提的是,建筑供配电系统在建筑工程中的重要性不仅仅是提供电力支持,更是为了确保建筑物的安全性。在建筑供配电系统设计中必须考虑到保护装置的设置,以确保电路在发生故障时及时切断电源,避免潜在危险。此外,在电气设备的选型和布置时也需要根据建筑的特点和需求进行合理规划,以提高电力系统的稳定性和安全性。 在实际应用中,建筑供配电系统的设计和建设需要考虑多个方面的因素,如建筑物的类型、规模、用途、电力需求、安全标准等。通过合理的设计和施工,可以确保建筑供配电系统的正常运行和安全性。同时,在建筑供配电系统的维护和管理方面也需要重视,定期检查和维护电气设备,及时发现和解决问题,以确保建筑物内部设备的正常使用。 总的来说,建筑供配电系统是建筑工程中不可或缺的一部分,其重要性不言而喻。通过学习建筑供配电系统的相关知识,可以更好地理解和应用这些原理,提高建筑电力系统的效率和可靠性,确保建筑物内部设备的正常运行和电力安全。建筑供配电系统的设计、建设、维护和管理都需要严谨细致,只有这样才能确保建筑物的电力系统稳定、安全、高效地运行。
recommend-type

关系数据表示学习

关系数据卢多维奇·多斯桑托斯引用此版本:卢多维奇·多斯桑托斯。关系数据的表示学习机器学习[cs.LG]。皮埃尔和玛丽·居里大学-巴黎第六大学,2017年。英语。NNT:2017PA066480。电话:01803188HAL ID:电话:01803188https://theses.hal.science/tel-01803188提交日期:2018年HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaireUNIVERSITY PIERRE和 MARIE CURIE计算机科学、电信和电子学博士学院(巴黎)巴黎6号计算机科学实验室D八角形T HESIS关系数据表示学习作者:Ludovic DOS SAntos主管:Patrick GALLINARI联合主管:本杰明·P·伊沃瓦斯基为满足计算机科学博士学位的要求而提交的论文评审团成员:先生蒂埃里·A·退休记者先生尤尼斯·B·恩