Java网络爬虫 Jsoup
一、Jsoup介绍
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。
jsoup is a Java library for working with real-world HTML. It provides a very convenient API for extracting and manipulating data, using the best of DOM, CSS, and jquery-like methods.
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。
这个给出jsoup的中文帮助文档https://www.open-open.com/jsoup/
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；
先加入Jsoup依赖：
!--Jsoup--> <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>
二、Jsoup解析
1、解析URL
Jsoup可以直接输入url，它会发起请求并获取数据，封装为Document对象
@Test public void testJsoupUrl() throws Exception { // 解析url地址 Document document = Jsoup.parse(new URL("http://www.itcast.cn/"), 1000); //获取title的内容 Element title = document.getElementsByTag("title").first(); System.out.println(title.text()); }
PS：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
2、解析字符串
先准备以下html文件
<html> <head> <title>传智播客官网-一样的教育,不一样的品质</title> </head> <body> <div class="city"> <h3 id="city_bj">北京中心</h3> <fb:img src="/2018czgw/images/slogan.jpg" class="slogan"/> <div class="city_in"> <div class="city_con" style="display: none;"> <ul> <li id="test" class="class_a class_b"> <a href="http://www.itcast.cn" target="_blank"> <span class="s_name">北京</span> </a> </li> <li> <a href="http://sh.itcast.cn" target="_blank"> <span class="s_name">上海</span> </a> </li> <li> <a href="http://gz.itcast.cn" target="_blank"> <span abc="123" class="s_name">广州</span> </a> </li> <ul> <li>天津</li> </ul> </ul> </div> </div> </div> </body> </html>
Jsoup可以直接输入字符串，并封装为Document对象
@Test public void testJsoupString() throws Exception { //读取文件获取 String html = FileUtils.readFileToString(new File("D:\\jsoup.html"), "UTF-8"); // 解析字符串 Document document = Jsoup.parse(html); //获取title的内容 Element title = document.getElementsByTag("title").first(); System.out.println(title.text()); }
3、解析文件
Jsoup可以直接解析文件，并封装为Document对象
@Test public void testJsoupHtml() throws Exception { // 解析文件 Document document = Jsoup.parse(new File("D:\\jsoup.html"),"UTF-8"); //获取title的内容 Element title = document.getElementsByTag("title").first(); System.out.println(title.text()); }
4、使用dom方式遍历文档
关于dom的说明
HTML DOM 定义了访问和操作 HTML 文档的标准方法。
DOM 将 HTML 文档表达为树结构。
就像是下图这样的HTML dom树结构
w3school关于dom的教程：https://www.w3school.com.cn/htmldom/index.asp
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
//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();
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
//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();
5、Selector选择器
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。
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]
//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();
6、Selector选择器的组合使用
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
//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();
