爬虫-jsoup解析

Jsoup

我们抓取到页面之后，还需要对页面进行解析。可以使用字符串处理工具解析页面，也可以使用正则表达式，但是这些方法都会带来很大的开发成本，所以我们需要使用一款专门解析html页面的技术。

1.1. jsoup介绍

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的主要功能如下：

1. 从一个URL，文件或字符串中解析HTML；
2. 使用DOM或CSS选择器来查找、取出数据；
3. 可操作HTML元素、属性、文本；

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.10.3</version>
</dependency>
<!--测试-->
<dependency>
    <groupId>junit</groupId>
    <artifactId>junit</artifactId>
    <version>4.12</version>
</dependency>
<!--工具-->
<dependency>
    <groupId>org.apache.commons</groupId>
    <artifactId>commons-lang3</artifactId>
    <version>3.7</version>
</dependency>
<dependency>
    <groupId>commons-io</groupId>
    <artifactId>commons-io</artifactId>
    <version>2.6</version>
</dependency>

 使用dom方式遍历文档

元素获取

1. 根据id查询元素getElementById
2. 根据标签获取元素getElementsByTag
3. 根据class获取元素getElementsByClass
4. 根据属性获取元素getElementsByAttribute

元素中获取数据

1. 从元素中获取id
2. 从元素中获取className
3. 从元素中获取属性的值attr
4. 从元素中获取所有属性attributes
5. 从元素中获取文本内容text

 使用选择器语法查找元素

jsoup elements对象支持类似于CSS (或jquery)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。且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。

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。

 使用dom方式遍历文档

tagname: 通过标签查找元素，比如：span

#id: 通过ID查找元素，比如：# city_bj

.class: 通过class名称查找元素，比如：.class_a

[attribute]: 利用属性查找元素，比如：[abc]

[attr=value]: 利用属性值来查找元素，比如：[class=s_name]

 Selector选择器组合使用

el#id: 元素+ID，比如： h3#city_bj

el.class: 元素+class，比如： li.class_a

el[attr]: 元素+属性名，比如： span[abc]

任意组合: 比如：span[abc].s_name

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

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

parent > *: 查找某个父元素下所有直接子元素

代码测试

public class JsoupTest {

    @Test
    public void testJsoupUrl() throws Exception {
        //    解析url地址
        Document document = Jsoup.parse(new URL("http://www.jingdong.com/"), 1000);
        //获取title的内容
        Element title = document.getElementsByTag("title").first();
        System.out.println(title.text());
    }

    @Test
    public void testJsoupHtml() throws Exception {
        //    解析文件
        Document document = Jsoup.parse(new File("F:\\boss\\1.html"), "UTF-8");
        //获取title的内容
        Element title = document.getElementsByTag("title").first();
        System.out.println(title.text());
        //1.根据id查询元素getElementById
        Element element = document.getElementById("city_bj");
        System.out.println(element.text());
        //2.根据标签获取元素getElementsByTag
        element = document.getElementsByTag("title").first();
        System.out.println(element.text());
        //3.根据class获取元素getElementsByClass
        element = document.getElementsByClass("s_name").last();
        System.out.println(element.text());
        //4.根据属性获取元素getElementsByAttribute
        element = document.getElementsByAttribute("abc").first();
        System.out.println("abc:" + element.text());
        //定义属性
        element = document.getElementsByAttributeValue("class", "city_con").first();
        System.out.println(element.text());
    }

    /**
     * 标签属性选择
     *
     * @throws Exception
     */
    @Test
    public void testJsoupHtml2() throws Exception {
        //解析文件
        Document document = Jsoup.parse(new File("F:\\boss\\1.html"), "UTF-8");
        //获取元素
        Element element = document.getElementById("test");
        //1.从元素中获取id
        String str = element.id();
        System.out.println("id:" + str);
        //2.从元素中获取className
        str = element.className();
        System.out.println("className:" + str);
        //3.从元素中获取属性的值attr
        str = element.attr("id");
        System.out.println("attr:" + str);
        //4.从元素中获取所有属性attributes
        str = element.attributes().toString();
        System.out.println("attributes:" + str);
        //5.从元素中获取文本内容text
        str = element.text();
        System.out.println("text:" + str);
    }

    /**
     * css 选择器
     *
     * @throws Exception
     */
    @Test
    public void testJsoupHtml3() throws Exception {
        //解析文件
        Document document = Jsoup.parse(new File("F:\\boss\\1.html"), "UTF-8");
        //tagname: 通过标签查找元素，比如：span
        Elements span = document.select("span");
        for (Element element : span) {
            System.out.println("span:" + element.text());
        }
        //#id: 通过ID查找元素，比如：#city_bjj
        String str = document.select("#city_bj").text();
        System.out.println("#city_bj" + str);
        //.class: 通过class名称查找元素，比如：.class_a
        str = document.select(".class_a").text();
        System.out.println(".class_a" + str);
        //[attribute]: 利用属性查找元素，比如：[abc]
        str = document.select("[abc]").text();
        System.out.println("[abc]" + str);
        //[attr=value]: 利用属性值来查找元素，比如：[class=s_name]
        str = document.select("[class=s_name]").text();
        System.out.println("#[class=s_name]" + str);

    }
    /**
     * 组合选择器
     *
     * @throws Exception
     */
    @Test
    public void testJsoupHtml4() throws Exception {
        Document document = Jsoup.parse(new File("F:\\boss\\1.html"), "UTF-8");
        //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();
    }