三分钟学会用Java写一个简单的网络爬虫（1）
本项目中需要用到两个第三方jar包，分别为 jsoup 和 commons-io。
jsoup的作用是为了解析网页， commons-io 是为了把数据保存到本地。
1.爬取贴吧
第一步，打开eclipse，新建一个java项目，名字就叫做 pachong：
然后，新建一个类，作为我们程序的入口。
这个作为入口类，里面就写一个main方法即可。
public class StartUp {
public static void main(String[] args) {
}
}第二步，导入我们的依赖，两个jar包：
右键jar包，Build path , add to Build path
接着，我们试着搜索一下动漫吧的数据：
https://tieba.baidu.com/f?kw=%B6%AF%C2%FE&tpl=5
public class StartUp {
public static void main(String[] args) {
String url = "https://tieba.baidu.com/f?kw=%B6%AF%C2%FE&tpl=5";
Connection connect = Jsoup.connect(url);
System.out.println(connect);
}
}如果能够成功打印出来链接，说明我们的连接测试是成功的！
然后，我们调用connect的get方法，获取链接到的数据：
Document document = connect.get(); 
这边需要抛出一个异常，而且是强制性的，因为有可能会获取失败。这边我们直接抛出去，不去捕获。
public class StartUp {
public static void main(String[] args) throws IOException {
String url = "https://tieba.baidu.com/f?kw=%B6%AF%C2%FE&tpl=5";
Connection connect = Jsoup.connect(url);
System.out.println(connect);
Document document = connect.get();
System.out.println(document);
}
}打印出来的结果：
可见，document对象装的就是一个完整HTML页面。
在这里，我们想要拿到的第一个数据，就是所有帖子的标题：
我们发现，每一个标题都是一个a连接，class为j_th_tit 。
下一步我们就考虑获取所有class为 j_th_tit 的元素。
我们发现，document对象给我们提供了 getElementsByClass 的方法，顾名思义，就是获取class为 XXX 的元素。
Elements titles = document.getElementsByClass("j_th_tit");接着，遍历titles，打印出每一个标题的名称：
for (int i = 0; i < titles.size(); i++) {
System.out.println(titles.get(i).attr("title"));
}当前代码：
import java.io.IOException;
import org.jsoup.Connection;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;
public class StartUp {
public static void main(String[] args) throws IOException {
String url = "https://tieba.baidu.com/f?kw=%B6%AF%C2%FE&tpl=5";
Connection connect = Jsoup.connect(url);
Document document = connect.get();
Elements titles = document.getElementsByClass("j_th_tit");
for (int i = 0; i < titles.size(); i++) {
System.out.println(titles.get(i).attr("title"));
}
}
}本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
