Jsoup 抓取静态网页

一、相关知识介绍

HttpClient：HttpClient 是Apache Jakarta Common 下的子项目，可以用来提供高效的、最新的、功能丰富的支持 HTTP 协议的客户端编程工具包，并且它支持 HTTP 协议最新的版本和建议。

如果每次请求都要创建HttpClient，会有频繁创建和销毁的问题，可以使用连接池来解决这个问题。

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。

jsoup的主要功能：

• 从一个URL，文件或字符串中解析HTML
• 使用DOM或CSS选择器来查找、取出数据

 DOM

获取元素

//1.    根据id查询元素getElementById
Element element = document.getElementById("city_bj");

//2.   根据标签获取元素getElementsByTag
element = document.getElementsByTag("title").first();

//3.   根据class获取元素getElementsByClass
element = document.getElementsByClass("s_name").last();

//4.   根据属性获取元素getElementsByAttribute
element = document.getElementsByAttribute("abc").first();
element = document.getElementsByAttributeValue("class", "city_con").first();

获取元素数据

//获取元素
Element element = document.getElementById("test");

//1.   从元素中获取id
String str = element.id();

//2.   从元素中获取className
str = element.className();

//3.   从元素中获取属性的值attr
str = element.attr("id");

//4.   从元素中获取所有属性attributes
str = element.attributes().toString();

//5.   从元素中获取文本内容text
str = element.text();

 CSS

jsoup elements对象支持类似于CSS 的选择器语法，来实现非常强大和灵活的查找功能。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，并提供一组方法来抽取和处理结果。

//tagname: 通过标签查找元素，比如：span
Elements span = document.select("span");
for (Element element : span) {
    System.out.println(element.text());
}

//#id: 通过ID查找元素，比如：#city_bjj
String str = document.select("#city_bj").text();

//.class: 通过class名称查找元素，比如：.class_a
str = document.select(".class_a").text();

//[attribute]: 利用属性查找元素，比如：[abc]
str = document.select("[abc]").text();

//[attr=value]: 利用属性值来查找元素，比如：[class=s_name]
str = document.select("[class=s_name]").text();

//el#id: 元素+ID，比如： h3#city_bj
String str = document.select("h3#city_bj").text();

//el.class: 元素+class，比如： li.class_a
str = document.select("li.class_a").text();

//el[attr]: 元素+属性名，比如： span[abc]
str = document.select("span[abc]").text();

//任意组合，比如：span[abc].s_name
str = document.select("span[abc].s_name").text();

//ancestor child: 查找某个元素下子元素，比如：.city_con li 查找"city_con"下的所有li
str = document.select(".city_con li").text();

//parent > child: 查找某个父元素下的直接子元素，
//比如：.city_con > ul > li 查找city_con第一级（直接子元素）的ul，再找所有ul下的第一级li
str = document.select(".city_con > ul > li").text();

//parent > * 查找某个父元素下所有直接子元素.city_con > *
str = document.select(".city_con > *").text();

 

说明：虽然使用Jsoup可以替代HttpClient直接发起请求解析数据，但是往往不会这样用，因为实际的开发过程中，需要使用到多线程，连接池，代理等等方式，而jsoup对这些的支持并不是很好，所以我们一般把jsoup仅仅作为Html解析工具使用。

二、代码解析

maven项目添加依赖

<dependencies>
        <!-- https://mvnrepository.com/artifact/org.apache.httpcomponents/httpclient -->
        <dependency>
            <groupId>org.apache.httpcomponents</groupId>
            <artifactId>httpclient</artifactId>
            <version>4.5.6</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.slf4j/slf4j-log4j12 -->
        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-log4j12</artifactId>
            <version>1.7.25</version>
<!--            <scope>test</scope>-->
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
        <dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.11.3</version>
        </dependency>
        <!-- junit -->
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
            <scope>test</scope>
        </dependency>
        <!-- https://mvnrepository.com/artifact/commons-io/commons-io -->
        <dependency>
            <groupId>commons-io</groupId>
            <artifactId>commons-io</artifactId>
            <version>2.4</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.commons/commons-lang3 -->
        <dependency>
            <groupId>org.apache.commons</groupId>
            <artifactId>commons-lang3</artifactId>
            <version>3.9</version>
        </dependency>

使用HttpClient连接池管理HttpClient，使用get、post的方式做两次简单的请求

package com.me.jsoup;

import org.apache.http.client.config.RequestConfig;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.client.methods.HttpPost;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.impl.conn.PoolingHttpClientConnectionManager;
import org.apache.http.util.EntityUtils;

import java.io.IOException;

public class Study1 {
    private static PoolingHttpClientConnectionManager pool = new PoolingHttpClientConnectionManager();
    public static void main(String[] args)  {
        //    设置最大连接数
        pool.setMaxTotal(200);
        //    设置每个主机的并发数
        pool.setDefaultMaxPerRoute(20);
        Study1 study1 = new Study1();
        study1.httpGet();
        study1.httpPost();
    }

    public String httpPostForJsoup()  {
        //使用连接池管理HttpClient
        CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(pool).build();
        //创建HttpGet请求
        HttpPost httpPost = new HttpPost("https://www.bookben.net/");
        //设置请求参数
        RequestConfig requestConfig = RequestConfig.custom()
                .setConnectTimeout(3000)//设置创建连接的最长时间1s
                .setConnectionRequestTimeout(1500)//设置获取连接的最长时间0.5s
                .setSocketTimeout(30 * 1000)//设置数据传输的最长时间10s
                .build();

        httpPost.setConfig(requestConfig);
        CloseableHttpResponse response = null;
        String content = "";
        try {
            //使用HttpClient发起请求
            response = httpClient.execute(httpPost);
            //判断响应状态码是否为200
            if (response.getStatusLine().getStatusCode() == 200) {
                //如果为200表示请求成功，获取返回数据
                content = EntityUtils.toString(response.getEntity(), "UTF-8");
                //打印数据
                //System.out.println(content);
            }
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            //释放连接
            if (response == null) {
                try {
                    response.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
        return content;
    }


    private void httpPost()  {
            //使用连接池管理HttpClient
            CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(pool).build();
            //创建HttpGet请求
            HttpPost httpPost = new HttpPost("https://www.bookben.net/");
            //设置请求参数
            RequestConfig requestConfig = RequestConfig.custom()
                    .setConnectTimeout(3000)//设置创建连接的最长时间1s
                    .setConnectionRequestTimeout(1500)//设置获取连接的最长时间0.5s
                    .setSocketTimeout(30 * 1000)//设置数据传输的最长时间10s
                    .build();

            httpPost.setConfig(requestConfig);
            CloseableHttpResponse response = null;
            try {
                //使用HttpClient发起请求
                response = httpClient.execute(httpPost);
                //判断响应状态码是否为200
                if (response.getStatusLine().getStatusCode() == 200) {
                    //如果为200表示请求成功，获取返回数据
                    String content = EntityUtils.toString(response.getEntity(), "UTF-8");
                    //打印数据长度
                    System.out.println(content);
                }
            } catch (Exception e) {
                e.printStackTrace();
            } finally {
                //释放连接
                if (response == null) {
                    try {
                        response.close();
                    } catch (IOException e) {
                        e.printStackTrace();
                    }
                }
            }

    }

    public void httpGet()  {
        //使用连接池管理HttpClient
        CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(pool).build();
        //创建HttpGet请求 = 输入网址
        HttpGet httpGet = new org.apache.http.client.methods.HttpGet("https://www.bookben.net/");
        //设置请求参数
        RequestConfig requestConfig = RequestConfig.custom()
                .setConnectTimeout(3000)//设置创建连接的最长时间1s
                .setConnectionRequestTimeout(1500)//设置获取连接的最长时间0.5s
                .setSocketTimeout(30 * 1000)//设置数据传输的最长时间10s
                .build();

        httpGet.setConfig(requestConfig);
        CloseableHttpResponse response = null;
        try {
            //使用HttpClient发起请求 获取响应 response
            response = httpClient.execute(httpGet);
            //判断响应状态码是否为200
            if (response.getStatusLine().getStatusCode() == 200) {
                //如果为200表示请求成功，获取返回数据
                String content = EntityUtils.toString(response.getEntity(), "UTF-8");
                //打印数据长度
                System.out.println(content);
            }
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            //释放连接
            if (response == null) {
                try {
                    response.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
    }
}

jsoup解析

package com.me.jsoup;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import java.net.URL;

public class Study2 {
    public static void main(String[] args) throws Exception {
        Study2 study2 = new Study2();
        study2.Jsoup_url();
        study2.Jsoup_String();
    }
    public void Jsoup_url() throws Exception {
        //    解析url地址
        Document document = Jsoup.parse(new URL("https://wp.m.163.com/163/page/news/virus_report/index.html"), 10*1000);
        //获取title的内容
        Element title = document.getElementsByTag("title").first();
        System.out.println(title.text());
    }
    private void Jsoup_String() throws Exception{
        Study1 study1 = new Study1();
        String string = study1.httpPostForJsoup();
        Document document = Jsoup.parse(string);
        //获取title的内容
        Element title = document.getElementsByTag("title").first();
        System.out.println(title.text());

    }
}

 

对于jsoup我也只是简单了解而已，并未对其深入研究。这一篇仅仅只是记录学习过程，就不班门弄斧了。