如何使用Jsoup爬取网页内容
前言:
这是一篇迟到很久的文章了,人真的是越来越懒,前一阵用jsoup实现了一个功能,个人觉得和selenium的webdriver原理类似,所以今天正好有时间,就又来更新分享了。
实现场景:
爬取博客园https://www.cnblogs.com/longronglang,文章列表中标题、链接、发布时间及阅读量
思路:
1、引入jar包
2、通过httpclient,设置参数,代理,建立连接,获取HTML文档(响应信息)
3、将获取的响应信息,转换成HTML文档为Document对象
4、使用jQuery定位方式,这块就和web自动化一样了定位获取文本及相关属性
相关详细使用参考官网:https://jsoup.org/
实现:
1、引入依赖
<dependency> <groupId>org.jsoup</groupId> <artifactId>jsoup</artifactId> <version>1.10.3</version> </dependency> <dependency> <groupId>commons-httpclient</groupId> <artifactId>commons-httpclient</artifactId> <version>3.1</version> </dependency>
2、通过httpclient,设置参数,代理,建立连接,获取HTML文档(响应信息)
String requestUrl = "https://www.cnblogs.com/longronglang/"; HttpClient client = new HttpClient(); HttpClientParams clientParams = client.getParams(); clientParams.setContentCharset("UTF-8"); GetMethod method = new GetMethod(requestUrl); String response =method.getResponseBodyAsString();
3、将获取的响应信息,转换成HTML文档为Document对象
Document document = Jsoup.parse(response);
4、使用jQuery定位方式,这块就和web自动化一样了定位获取文本及相关属性
这里可以仔细看下,也可以说是核心思路了,如下图:
从图中可以看到,文章标题在在a标签中,也就是通过class属性为postTitle2进行绑定,那么我们的dom对象就定位到这里即可,那么我想获取文章标题这个dom对象,可以写成如下代码:
Elements postItems = document.getElementsByClass("postTitle2");
同理,获取发布时间及阅读量,也可以写成如下代码:
Elements readcontexts = document.getElementsByClass("postDesc");
最后我们来段整合的代码如下:
import org.apache.commons.httpclient.HttpClient; import org.apache.commons.httpclient.HttpStatus; import org.apache.commons.httpclient.methods.GetMethod; import org.apache.commons.httpclient.params.HttpClientParams; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.select.Elements; import org.junit.Test; import java.io.IOException; public class JsoupTest { @Test public void test() { String requestUrl = "https://www.cnblogs.com/longronglang/"; HttpClient client = new HttpClient(); HttpClientParams clientParams = client.getParams(); clientParams.setContentCharset("UTF-8"); GetMethod method = new GetMethod(requestUrl); String response = null; int code = 0; try { code = client.executeMethod(method); response = method.getResponseBodyAsString(); if (code == HttpStatus.SC_OK) { Document document = Jsoup.parse(response); Elements postItems = document.getElementsByClass("postTitle2"); Elements readcontexts = document.getElementsByClass("postDesc"); for (int i = 0; i < postItems.size(); i++) { System.out.println("文章标题:" + postItems.get(i).text()); System.out.println("文章地址:" + postItems.get(i).attr("href")); System.out.println("发布信息:" + readcontexts.get(i).text()); } } else { System.out.println("返回状态不是200,可能需要登录或者授权,亦或者重定向了!"); } } catch (IOException e) { e.printStackTrace(); } } }
运行结果如下:
到此,一个爬虫搞完,这里只事抛砖引用,有兴趣的同学,请自行扩展。
如果感情一开始就是不对等的,那么索性就早点结束掉它,利人利己。
优秀不够,你是否无可替代
软件测试交流QQ群:721256703,期待你的加入!!
欢迎关注我的微信公众号:软件测试君
![](https://www.cnblogs.com/images/cnblogs_com/longronglang/1061549/o_QQ%E6%88%AA%E5%9B%BE20190728134401.jpg)