专栏首页咸鱼不闲jsoup爬虫工具的简单使用

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 不能解析EL表达式解决方案

    错误代码:The identifier [static] is not a valid Java identifier as required by secti...

    Mshu
  • 订单自动过期实现方案

    这个太简单了,就是在查询的时候判断是否失效,如果失效了就给他设置失效状态。但是弊端也很明显,每次查询都要对未失效的订单做判断,如果用户不查询,订单就不失效,那么...

    Mshu
  • springboot 集成CAS 实现单点登录

    最近新参与的项目用到了cas单点登录,我还不会,这怎么能容忍!空了学习并搭建了一个spring-boot 集成CAS 的demo。实现了单点登录与登出。

    Mshu
  • CSS3 E:nth-child、E>F、E~F、E+F以及属性选择器

    2、E:first-child:匹配元素类型为E且是父元素的第一个子元素 3、E:last-child:匹配元素类型为E且是父元素的最后一个子元素 4、E ...

    Devops海洋的渔夫
  • CSS布局(三) 布局模型

    布局模型 在网页中,元素有三种布局模型: 1、流动模型(Flow) 默认的 2、浮动模型 (Float) 3、层模型(Layer) 1、流动模型(Flow) ...

    柴小智
  • 《算法图解》NOTE 2 数组、链表及选择排序1.数组2.链表3.选择排序法

    billyang916
  • 程序员那些必须掌握的排序算法(上)

    现在的IT行业并不像以前那么好混了,从业人员过多,导致初级程序员过剩,这也间接导致了公司的招聘门槛越来越高,要求程序员掌握的知识也越来越多。 算法也是一个争论...

    wangweijun
  • web页面中快速找到html对应元素两种

    2、在打开的控制窗口左上角有个  箭头 按钮,点击它之后,此时将鼠标移动到web页面上的元素,同时在控制窗口中就会自动定位到鼠标所指向的元素,这样方便在写代码时...

    py3study
  • css3选择器

    属性选择器 E[attr]只使用属性名,但没有确定任何属性值 E[type="text"]指定属性名,并指定了该属性的属性值 E[attr~="value...

    河湾欢儿
  • 使用phantompeakqualtools进行cross correlation分析

    ENCODE官方提供了chip_seq分析的pipeline以供参考,在peak calling前的预处理环节,流程示意如下

    生信修炼手册

扫码关注云+社区

领取腾讯云代金券