Jsoup爬蟲獲取本身網站在百度搜索中的實時排名

一直有一個需求，但願看到本身網站在百度的實時的排名
用過一些工具，要麼反應遲鈍，要麼結果不許確或不實時
因而打算用jsoup寫一個小爬蟲來實時百度看網站排名

直接上代碼

依賴只有jsoup
jar包下載地址:https://mvnrepository.com/artifact/org.jsoup/jsoup
或者引入
maven依賴

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.11.3</version>
</dependency>

代碼

package com.zzzmh.spider;

import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class test {
    /** 百度搜索基本url 後面能夠接的參數有 pn rn ie 等 */
    public final static String baseUrl = "https://www.baidu.com/s?ie=utf-8";
    /** 鏈接超時時間 */
    public static int timeout = 30 * 1000;
    /** 鏈接重試次數 */
    public static int times = 10;
    /** UA */
    public static String UserAgent[] = {
            "Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
            "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
            "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.87 Safari/537.36 OPR/37.0.2178.32",
            "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 UBrowser/5.6.12150.8 Safari/537.36",
            "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2486.0 Safari/537.36 Edge/13.10586",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.87 Safari/537.36 OPR/37.0.2178.32" };

    /** 獲取隨機UA */
    public static String getRandomUA() {
        return UserAgent[(int) (Math.random() * (UserAgent.length))];
    }

    /** 在這裏進行鏈接 若是失敗會繼續重試 */
    public static Document getDocument(String url) {
        Document doc = null;
        for (int i = 0; i < times; i++) {
            try {
                doc = Jsoup.connect(url).header("User-Agent", getRandomUA()).timeout(timeout).get();
                if (doc != null)
                    break;
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
        return doc;
    }

    /**
     * 爬取百度指定關鍵字和頁碼的數據，只存id(排名號)，title，url(百度會把url縮寫) 親測雖然
     * 加了&rn=50能夠明顯增長效率，但結果和用戶實際看到的有所出入，並不許確，故用默認rn，與用戶實際看到保持一致
     * 
     * @param keyword 關鍵字
     * @param page    頁碼
     */
    public static List<Map<String, String>> spider(String keyword, int page) {
        List<Map<String, String>> result = new ArrayList<>();
        try {
            Document document = getDocument(baseUrl + "&wd=" + keyword + "&pn=" + (page * 10));
            Elements els = document.getElementsByClass("result");
            for (Element el : els) {
                Map<String, String> map = new HashMap<>();
                try {
                    map.put("id", el.attr("id"));
                    map.put("title", el.getElementsByTag("a").get(0).text());
                    map.put("url", el.getElementsByClass("f13").get(0).getElementsByTag("a").text());
                    result.add(map);
                } catch (Exception e) {
                }

            }
        } catch (Exception e) {
            e.printStackTrace();
        }
        return result;
    }

    /**
     * 分析在指定關鍵字在百度的排名
     * 
     * @param keyword 關鍵字
     * @param url     要找的目標包含的url
     * @param maxPage 最多找幾頁，防止死循環
     * @return 找獲得返回map 超過最大頁碼還找不到返回null
     */
    public static Map<String, String> BaiduRanking(String keyword, String url, int maxPage) {
        System.out.println("開始查找百度中關鍵字爲 \"" + keyword + "\" 且url包含 \"" 
                + url + "\" 的相關數據排名 最多查詢 " + maxPage + "頁");
        for (int i = 0; i < maxPage; i++) {
            // 輸出當前頁碼和個數，不須要輸出能夠去掉
            System.out.println("正在查詢第" + i + "頁中的第" + (i * 10 + 1) + " ~ " + ((i + 1) * 10) + "個");
            List<Map<String, String>> list = spider(keyword, i);
            for (Map<String, String> map : list) {
                if (map.get("url").contains(url)) {
                    return map;
                }
            }
        }
        return null;
    }

    public static void main(String[] args) {
        /*
         * 例如 找關鍵字 極簡壁紙 主要的網址特徵 bz.zzzmh.cn 最多找20頁 (至關於找1~200箇中有無匹配)
         * 如有匹配返回 id title url
         * 若無匹配返回 Null
         */
        System.out.println(BaiduRanking("極簡壁紙", "zzzmh.cn", 20));
    }
}

效果

一、網站標題: zzzmh's blog 網站url: https://zzzmh.cn
參數：

關鍵字: "zzzmh" 目標包含url: "zzzmh.cn" 最多查詢頁數: "20"

運行結果：

開始查找百度中關鍵字爲 "zzzmh" 且url包含 "zzzmh.cn" 的相關數據排名 最多查詢 20頁
正在查詢第0頁中的第1 ~ 10個
正在查詢第1頁中的第11 ~ 20個
{id=13, title=zzzmh's Blog - Design By zmh, url=https://zzzmh.cn/  百度快照}

二、網站標題: 極簡壁紙... 網站url: https://bz.zzzmh.cn
參數：

關鍵字: "極簡壁紙" 目標包含url: "zzzmh.cn" 最多查詢頁數: "20"

運行結果：

開始查找百度中關鍵字爲 "極簡壁紙" 且url包含 "zzzmh.cn" 的相關數據排名 最多查詢 20頁
正在查詢第0頁中的第1 ~ 10個
正在查詢第1頁中的第11 ~ 20個
正在查詢第2頁中的第21 ~ 30個
正在查詢第3頁中的第31 ~ 40個
正在查詢第4頁中的第41 ~ 50個
正在查詢第5頁中的第51 ~ 60個
正在查詢第6頁中的第61 ~ 70個
正在查詢第7頁中的第71 ~ 80個
正在查詢第8頁中的第81 ~ 90個
正在查詢第9頁中的第91 ~ 100個
{id=93, title=極簡壁紙_極致嚴選高清電腦桌面壁紙美圖4k_最潮桌面壁紙網站, url=https://bz.zzzmh.cn/  百度快照}

三、網站標題: 極簡插件... 網站url: https://chrome.zzzmh.cn
參數：

關鍵字: "極簡插件" 目標包含url: "zzzmh.cn" 最多查詢頁數: "20"

運行結果：

開始查找百度中關鍵字爲 "極簡插件" 且url包含 "zzzmh.cn" 的相關數據排名 最多查詢 20頁
正在查詢第0頁中的第1 ~ 10個
正在查詢第1頁中的第11 ~ 20個
正在查詢第2頁中的第21 ~ 30個
正在查詢第3頁中的第31 ~ 40個
正在查詢第4頁中的第41 ~ 50個
正在查詢第5頁中的第51 ~ 60個
正在查詢第6頁中的第61 ~ 70個
正在查詢第7頁中的第71 ~ 80個
正在查詢第8頁中的第81 ~ 90個
正在查詢第9頁中的第91 ~ 100個
正在查詢第10頁中的第101 ~ 110個
正在查詢第11頁中的第111 ~ 120個
正在查詢第12頁中的第121 ~ 130個
正在查詢第13頁中的第131 ~ 140個
正在查詢第14頁中的第141 ~ 150個
正在查詢第15頁中的第151 ~ 160個
正在查詢第16頁中的第161 ~ 170個
正在查詢第17頁中的第171 ~ 180個
正在查詢第18頁中的第181 ~ 190個
正在查詢第19頁中的第191 ~ 200個
null

補充:

1. 有結果返回map包含id、title、url。沒有結果返回 Null
2. 百度搜索的url能夠指定rn頁碼，最多一頁50個，使用後有效減小了鏈接次數。但親測下來設置過rn之後的結果與實際用戶在百度搜索的結果排序和個數都有出入。故選擇用默認rn來檢測，效果最準確。

本篇博客也發表在了個人我的主頁，歡迎查看，地址https://zzzmh.cn/single?id=58

END