Jsoup-爬取实战
Jsoup-爬取实战
文章目录
- Jsoup
- 导入依赖
- 获取信息
- 数据筛选
Jsoup
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。
爬虫可以用于搜索引擎，内容检索，数据采集分析等，十分强大，黑客感十足，不过不要为所欲为(面向监狱编程)，要合理利用。
导入依赖
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.10.2</version>
</dependency>获取信息
以在CSDN搜索jsoup为例，请求该URL，查看你所需信息标签的id或class，用Jsoup返回浏览器Document对象，然后可以用js的方法获取对象和操作。
package com.wzl.utils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;
public class HtmlParseUtil {
public static void main(String[] args) throws IOException {
//获取请求（需联网）
String url="https://so.csdn.net/so/search/s.do?q=jsoup&t=&u=";
//解析网页(Jsoup返回浏览器Document对象，可以使用Js的方法)
Document document=Jsoup.parse(new URL(url),60000);//设置60s超时
Elements elements=document.getElementsByClass("search-list J_search");
for (Element el:elements) {
System.out.println(el.html());
System.out.println("=================");
}
}
}控制台输出结果
至此就获取到了我们想要的信息。
数据筛选
然后就是对获取到的数据进一步处理和解析，比如筛选标签内的核心内容等。使用前端document对象的方法，提取标题，地址，作者等，然后可以把这些数据再封装成你自己的类等，这里直接输出演示。
查找DOM元素
方法 | 用法 |
|---|---|
getElementById(String id) | 通过id来获取 |
getElementsByTag(String tagName) | 通过标签名字来获取 |
getElementsByClass(String className) | 通过类名来获取 |
getElementsByAttribute(String key) | 通过属性名字来获取 |
getElementsByAttributeValue(String key, String value) | 通过指定的属性名字，属性值来获取 |
getAllElements() | 获取所有元素 |
package com.wzl.utils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;
public class HtmlParseUtil {
public static void main(String[] args) throws IOException {
//获取请求（需联网）
String url="https://so.csdn.net/so/search/s.do?q=jsoup&t=&u=";
//解析网页(Jsoup返回浏览器Document对象，可以使用Js的方法)
Document document=Jsoup.parse(new URL(url),60000);//设置60s超时
Elements elements=document.getElementsByClass("search-list J_search");
for (Element el:elements) {
//System.out.println(el.html());
String title=el.getElementsByTag("a").eq(0).text();//标题
String href=el.getElementsByTag("a").eq(0).attr("href");//博客地址(第一个<a>里)
String writer=el.getElementsByTag("a").eq(1).text();//作者(第二个<a>里)
String count=el.getElementsByClass("mr16").html();//浏览量
String time=el.getElementsByClass("date").html();//时间
System.out.println("标题："+title);
System.out.println("地址："+href);
System.out.println("作者："+writer);
System.out.println("浏览量："+count);
System.out.println("时间："+time);
System.out.println("=================");
}
}
}输出结果：
还可以用jsoup的选择器来进行筛选，也很方便：Element.select(String selector) 和 Elements.select(String selector) ，作用异曲同工，都是查找DOM元素，选择器对更复杂的筛选条件有优势。
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: 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: 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/: 利用属性值匹配正则表达式来查找元素，比如： imgsrc~=(?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 elattr: 元素+class，比如： ahref 任意组合，比如：ahref.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
总结爬取数据思路：获取请求、返回页面信息、筛选所需数据。
相关推荐(将爬取数据导出到Excel)
原创不易，请勿转载（
本不富裕的访问量雪上加霜）