jsoup爬虫工具的简单使用

jsoup爬虫工具的使用:

  *需要的jar包 --> Jsoup*

解决方案: 1.通过url 获得doucment对象, 2.调用select()等方法获得Elements对象, 3.调用.text()等方法,获得自己想要的内容。

以下是第一步的三种方法,其中第一种是jsoup的提供的方法,二三两种是java自带的方法, 只是在方法结尾处用到了jsoup的Jsoup.parse()方法将String类型的对象转化为Document对象,方便二三步骤使用Jsoup的解析。 1.1

public Document getDoc (String url){
    try {
        Document  doc = Jsoup.connect(url)
                .header("Accept-Encoding", "gzip, deflate")  
                .userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0)Gecko/20100101 Firefox/23.0")  
                .maxBodySize(0)  
                .timeout(600000000)  
                .get();
        return doc;
    } catch (IOException e) {
        e.printStackTrace();
        return null;
    }
}

1.2

public Document getDoc(String  str) throws Exception    {
    URL url = new URL(str);
    HttpURLConnection conn = (HttpURLConnection)url.openConnection();
    conn.setRequestMethod("GET");
    conn.setConnectTimeout(5 * 1000);
    InputStream inStream =  conn.getInputStream();
    byte[] data = readInputStream(inStream);
    String htmlSource = new String(data);
    return Jsoup.parse(htmlSource);
}

1.3

 public Document getDoc(String url) throws Exception {
    String ret = "";
    WebClient webClient = new WebClient(BrowserVersion.CHROME);
    webClient.getOptions().setJavaScriptEnabled(true);
    webClient.getOptions().setCssEnabled(false);
    webClient.getOptions().setRedirectEnabled(true);
    webClient.getOptions().setThrowExceptionOnScriptError(false);
    webClient.setAjaxController(new NicelyResynchronizingAjaxController());
    webClient.getOptions().setTimeout(10000);
    WebRequest webRequest = new WebRequest(new URL(url));
    webRequest.setHttpMethod(HttpMethod.GET);
    HtmlPage page = webClient.getPage(webRequest);
    webClient.waitForBackgroundJavaScript(1000);
    ret = page.asXml();
    webClient.close();
    return Jsoup.parse(ret );
}   

2.看下面例子, 这个select 方法在Document, Element,或Elements对象中都可以使用。Select方法将返回一个Elements集合。

doc是我们通过第一步获得的doucmen对象。select括号里面的意思是class为content-item和expert的a标签        元素。多个class记得要用逗号隔开。
其中的 “a” 可以是 “div”、“span”等标签名。
    Elements  contentEs = doc.select("a.content-item,expert");
    
因为获得的不是一个元素,所以使用get(index)方法,获得对应的元素,以0开始。
    Element  contentE = contentEs.get(0);

也可以使用增强型for循环将它遍历。其中.attr()方法是获得该元素的某某属性值,比如a标签的href值。
    for(Element e : contentEs ){
            e.attr("href");
    }

如果一次select()方法没用选到具体的,可以多次使用该方法。下面就调用了三次select()方法。
   Elements e = doc.select("div.menu-item,menu-skincare");
   Elements ee = e.select("div.column");
    for(int i=0 ; i<cc.size();i++){
            Elements eee = ee.get(i).select("a.submenu-item");
    }

3.text()方法是将Element(s)对象转化为String类型。

    String result  = eee.text();

以上只是我在爬某网站用到的,之前没有接触过jsoup,也是随用随学,除了这些在还有很多(来自jsoup中文帮助文档) :

Selector选择器概述

•    tagname: 通过标签查找元素,比如:a
•    ns|tag: 通过标签在命名空间查找元素,比如:可以用 fb|name 语法来查找 <fb:name> 元素
•    #id: 通过ID查找元素,比如:#logo
•    .class: 通过class名称查找元素,比如:.masthead
•    [attribute]: 利用属性查找元素,比如:[href]
•    [^attr]: 利用属性名前缀来查找元素,比如:可以用[^data-] 来查找带有HTML5 Dataset属性的元素
•    [attr=value]: 利用属性值来查找元素,比如:[width=500]
•    [attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素,比如:[href*=/path/]
•    [attr~=regex]: 利用属性值匹配正则表达式来查找元素,比如: img[src~=(?i)\.(png|jpe?g)]
•    *: 这个符号将匹配所有元素

Selector选择器组合使用

•    el#id: 元素+ID,比如: div#logo
•    el.class: 元素+class,比如: div.masthead
•    el[attr]: 元素+class,比如: a[href]
•    任意组合,比如:a[href].highlight
•    ancestor child: 查找某个元素下子元素,比如:可以用.body p 查找在"body"元素下的所有 p元素
•    parent > child: 查找某个父元素下的直接子元素,比如:可以用div.content > p 查找 p 元素,也可以用body > * 查找body标签下所有直接子元素
•    siblingA + siblingB: 查找在A元素之前第一个同级元素B,比如:div.head + div
•    siblingA ~ siblingX: 查找A元素之前的同级X元素,比如:h1 ~ p
•    el, el, el:多个选择器组合,查找匹配任一选择器的唯一元素,例如:div.masthead, div.logo

伪选择器selectors

•    :lt(n): 查找哪些元素的同级索引值(它的位置在DOM树中是相对于它的父节点)小于n,比如:td:lt(3) 表示小于三列的元素 
•    :gt(n):查找哪些元素的同级索引值大于n,比如: div p:gt(2)表示哪些div中有包含2个以上的p元素
•    :eq(n): 查找哪些元素的同级索引值与n相等,比如:form input:eq(1)表示包含一个input标签的Form元素
•    :has(seletor): 查找匹配选择器包含元素的元素,比如:div:has(p)表示哪些div包含了p元素 
•    :not(selector): 查找与选择器不匹配的元素,比如: div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表 
•    :contains(text): 查找包含给定文本的元素,搜索不区分大不写,比如: p:contains(jsoup)
•    :containsOwn(text): 查找直接包含给定文本的元素
•    :matches(regex): 查找哪些元素的文本匹配指定的正则表达式,比如:div:matches((?i)login)
•    :matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
•    注意:上述伪选择器索引是从0开始的,也就是说第一个元素索引值为0,第二个元素index为1等

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏菜鸟前端工程师

JavaScript学习笔记017-数值方法0Math0定时器

8230
来自专栏Micro_awake web

Vue学习3:计算属性computed与监听器

16820
来自专栏Golang语言社区

实效go编程--2

Go函数的返回值或结果“形参”可被命名,并作为常规变量使用,就像传入的形参一样。 命名后,一旦该函数开始执行,它们就会被初始化为与其类型相应的零值; 若该函数执...

35070
来自专栏跟着阿笨一起玩NET

VB.NET自我总结语法

11910
来自专栏Golang语言社区

Go语言struct类型详解

struct Go语言中,也和C或者其他语言一样,我们可以声明新的类型,作为其它类型的属性或字段的容器。例如,我们可以创建一个自定义类型person代表一个人的...

30470
来自专栏一个会写诗的程序员的博客

jQuery Validate自定义各种验证方法jQuery Validate自定义各种验证方法

10620
来自专栏Golang语言社区

深入剖析Go语言编程中switch语句的使用

switch语句可以让一个变量对反对值的列表平等进行测试。每个值被称为一个的情况(case),变量被接通检查每个开关盒(switch case)。 在Go编程,...

37070
来自专栏Golang语言社区

Go语言struct类型详解

struct Go语言中,也和C或者其他语言一样,我们可以声明新的类型,作为其它类型的属性或字段的容器。例如,我们可以创建一个自定义类型person代表一个人的...

366120
来自专栏分布式系统和大数据处理

.Net中的反射(动态创建类型实例) - Part.4

在前面节中,我们先了解了反射,然后利用反射查看了类型信息,并学习了如何创建自定义特性,并利用反射来遍历它。可以说,前面三节,我们学习的都是反射是什么,在接下来的...

15130
来自专栏跟着阿笨一起玩NET

VB.NET语法小结

27720

扫码关注云+社区

领取腾讯云代金券