温馨提示
本文阅读需要5分钟左右
1.写在前面的话
这是公众号Java模板(跟资源君一起学Java)的第一篇推文,资源君创建这个模板也是为了监督自己不断的学习,并且不断的跟大家一起分享编程当中的一些好玩的东西。我也希望通过这个模板,大家一起进步!Java和python两个模板大概一周会推出两篇文章左右,因为资源君平时也没有太多的时间,所以请各位见谅了!
2.基础知识
jsoup
is a Java library for working with real-world HTML. It provides a very convenient API for extracting and manipulating data, using the best of DOM, CSS, and jquery-like methods.
上面是官方给的jsoup官方解释,中文意思是 jsoup 是一款Java 的HTML解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。
总的来说,就是可以帮我们解析HTML页面,并且可以抓取html里面的内容。
3.开始写代码
我们的目标是抓取菜鸟笔记上的信息(文章标题和链接)
public static void main(String[] args) {
try {
//下面这行代码是连接我们的目标站点,并且get到他的静态HTML代码
Document document=Jsoup.connect("http://www.runoob.com/w3cnote").get();
//我们把获取到的document打印一下,看看里面到底是啥?
System.out.println(document);
} catch (IOException e) {
e.printStackTrace();
}
}
看我们代码运行后的结果:
你会发现我们通过这一句就获得了“菜鸟笔记”这个网站的HTML源码
我们来分析一下这串html源码
发现这两个正是我们所想要得到的数据,我们继续抓取
public static void main(String[] args) {
try {
Document document=Jsoup.connect("http://www.runoob.com/w3cnote").get();
//底下一行代码是我们进一步抓取到具体的HTML模块,div表示<div>标签,
//后面的post-intro表示的是div的class
//由于div.post-intro这个标签有多个(每个标题有一个),所以我们先获取到它的所有
Elements elements=document.select("div.post-intro");
//我们来遍历一下,因为div.post-intro有很多个
for(int i=0;i<elements.size();i++) {
//下面一行我们获取到文章的标题,可以结合图片来分析
// get(i)是为了获取每个div里面的<a>标签。后面的text(),就是获取<a></a>中的内容
String title=elements.select("a").get(i).text();
//attr是获取<a href="">里面的属性
String url=elements.select("a").get(i).attr("href");
//分别打印出来
System.out.println(title);
System.out.println("http://www.runoob.com/"+url);
}
} catch (IOException e) {
e.printStackTrace();
}
}
这样我们就抓取到我们想要的内容了!