【解析HTML】HTML解析，网络爬虫
一、概述
曾几时，我还是一个屌丝，一个在校大学生，高中的时候老师就对我们撒了一个慌，说...。人们称它为一个善意的谎言，我却傻傻信以为正。高三的时候努力拼搏了一段时间，可惜命运总是爱作弄人，高考考到了一个二流的大学，从此我告别了家乡，踏上了大学校门，来到了一个鸟不生蛋但会拉屎的地方。刚来大学的时候，大一浑浑噩噩的度过，大门不错，二门不迈，整体呆在宿舍打游戏，打了大半年的游戏，就那样，大学里最美好的日子离我远去。往事不堪回首，过了一年，如今已是学长了，作为一个学长，我不甘落后，于是乎上课努力听讲，下课没事和同学去打球或是去图书馆学习html，css，javascript，java，过着四点一线的生活，在大二一年里拿了两次奖学金。如今，已经是大三...，时间还在流逝，现在还是个屌丝，一个苦逼的大学生，还有事没事喜欢爬各种网站，来满足自己那点小小的虚荣心...。好了，扯淡时间过，该写代码了。
原谅我那点发自内心的扯淡。下面我们开始进入今天的主题，HTML解析和网络爬虫。
什么是html，网络爬虫？
什么是html这里就不多说了，那么什么是网络爬虫呢？是不是在网络上怕的虫？哈哈，简直是弱爆了，在前面扯淡的内容中提到了，我喜欢爬各种网站，我爬过我学校的官网和教务管理系统，爬过各种IT网站，做了个简单的新闻客户端。网络爬虫其实是指自动地抓取万维网信息的程序或者脚本，或者说是动态地抓取网站数据的程序。
怎样解析html?
这里我们通过Java解析html的利器Jsoup解析html，使用jsoup轻松搞定html解析，让你从一个从矮穷挫瞬间变身高大上，高端大气上档次。
为什么要解析html?
我们都知道现在网络数据传输有三种常用的形式，xml，json（【JSON解析】JSON解析高手 ）和html，我们的客户端请求服务器，服务器通常给我们返回上面三种形式的数据。同时如果是个人开发，由于没有自己的服务器，那么我们开发的应用程序就可以通过爬别人的网站解析html得到我们要的数据，当然，这种方式得到的数据不推荐，同时也存在太多的局限了，如：受网站的限制，解析困难等等。当然看了这篇文章解析就不是困难了，呵呵。
二、Jsoup和资源准备
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。
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；
- 可操作HTML元素、属性、文本；
jar包下载（两种方式）：
jsoup更多信息查看官网：http://jsoup.org
三、HTML解析实战
新建一个Android项目（编码设为UTF-8），将下载的jsoup的jar包添加到项目的libs目录下，并添加到构建路径中，这里由于不打算开发一个完整的应用，所以用的开发工具是我们更熟悉的eclipse，简单点，不用Android Studio（as），用as也一样。
作为测试数据，我们来爬一下这个网站：http://it.ithome.com/
访问这个网站，可以看到现在最新的页面显示如下，当然，它的文章会不断更新，这是写文章的时候的页面（页面的一部分）：
我们的任务是把文章的相关信息抓下来，包括：
- 文章左边的图片url
- 文章的标题article
- 文章的内容简介summary
- 底部的关键字tags
- 右上角的发表时间postime
如下图：
OK，确定好了我们要抓取的信息后，我们通过浏览器调试工具Firebug打开查看该页面的源码找到我们关心数据的部分：
这个ul里面的li第一个不是我们想要的数据外，其他的每个li中都保存了一篇文章的信息。选择其中两个看看。
下面我们可以编写解析代码了。
第一步：新建JavaBean，Article.java
package com.jxust.lt.htmlparse;
/**
* 文章bean
* @author lt
*
*/
public class Article {
private String title; // 标题
private String summary; // 文章内容简介
private String imageUrl; // 图片url
private String tags; // 关键子
private String postime; // 发表时间
// setter...
// getter...
@Override
public String toString() {
return "Article [title=" + title + ", summary=" + summary
+ ", imageUrl=" + imageUrl + ", tags=" + tags + ", postime="
+ postime + "]";
}
}
第二步：新建一个工具类，HtmlParseUtil.java，写一个连接网络并解析返回的html页面的方法:
/**
* 请求网络加载数据得到文章的集合
* @param url:网站url
*/
public static List<Article> getArticles(String url){
List<Article> articles = new ArrayList<Article>();
Connection conn = Jsoup.connect(url);
try {
// 10秒超时时间,发起get请求，也可以是post
Document doc = conn.timeout(10000).get();
// 1. 只要我们关心的信息数据,这里使用css类选择器
Element ul = doc.select(".ulcl").get(0);
// 2. 得到所有的li,排除个别不是同种类型的数据
Elements lis = ul.getElementsByTag("li");
for(int i=1;i<lis.size();i++){ // 通过FileBug发现这个网页里面第一个li不是我们要的类型，所以从1开始
Article article = new Article();
Element li = lis.get(i);
// 数据1，得到图片的url，通过img标签的src属性获得
Element img = li.getElementsByTag("img").first();
// 获取标签的属性值，参数为属性名称
String imageUrl = img.attr("src");
// 数据2，得到文章的标题
Element h2 = li.getElementsByTag("h2").first();
// 取h2元素下面的第一个a标签的文本即为标题
String title = h2.getElementsByTag("a").first().text();
// 数据3，得到文章的发表时间,取h2元素下面的第一个span标签的文本即为文章发表时间
String postime = h2.getElementsByTag("span").first().text();
// 数据4，得到文章内容简介,取li下面第一个p标签的文本
String summary = li.getElementsByTag("p").first().text();
// 数据5，得到文章的关键字,取li下面的class为tags的第一个元素的所有的a标签文本
Element tagsSpan = li.getElementsByClass("tags").first();
Elements tags = tagsSpan.getElementsByTag("a");
String key = "";
for(Element tag : tags){
key+=","+tag.text();
}
// 去掉key的第一个","号
key = key.replaceFirst(",", "");
article.setTitle(title);
article.setSummary(summary);
article.setImageUrl(imageUrl);
article.setPostime(postime);
article.setTags(key);
articles.add(article);
}
} catch (Exception ex) {
ex.printStackTrace();
}
return articles;
}
在清单文件下添加请求网络权限：
<uses-permission android:name="android.permission.INTERNET"/>
说明：请求网络得到Document对象后（不要导出包，是jsoup下的），通过select（）方法帅选了class为ulcl的ul元素，该页面下只有一个class为ulcl，ul下面第一个li不是我们要的，排除，然后得到每个li对象，每个li元素包含一篇文章的信息，解析重要方法说明：
- Document.select(String cssQuery)：通过css选择器获取E元素集Elements
- Element.getElementsByTag(String tagName)：通过标签名称获取元素Elements
- Element.getElementsByClass(String className)：通过标类选择器获取元素Elements
- Element.getElementById(String id)：通过id获取元素Element
- Element.attr(String attrName)：通过属性名获取属性值
- Element.text()：获取标签元素的文本
有js的DOM及JQuery编程经验的人应该很容易理解上面的方法，更多的方法信息使用查看Jsoup官网文档。
第三步：测试解析结果：
使用android单元测试：
- 在AndroidManifest.xml添加instrumentation
<instrumentation android:targetPackage="com.jxust.lt.htmlparse" android:name="android.test.InstrumentationTestRunner"></instrumentation>
- 在AndroidManifest.xml添加use-library
<uses-library android:name="android.test.runner"/>
新建一个测试类HtmlParseTest.java继承AndroidTestCase
写一个测试方法：
public void testParseHtml(){
List<Article> articles = HtmlParseUtil.getArticles(url);
for(int i=0;i<articles.size();i++){
Log.e("result"+i, articles.get(i).toString());
}
}
这里的url的值为："http://it.ithome.com/"
打开模拟器运行测试方法 Run As Android JUnit Test
日志输出结果：
...
可以看到我们得到了20条数据，我们来看看其中的一条
可以看到文章标题，内容简介，图片url，关键字，发表时间5个我们关心的数据全都解析出来了。到这里html解析结束了，现在我们有了数据，那么我们就可以将数据显示在listView中了（这里不会将数据显示在ListView中，这个很简单，一个布局一个适配器就搞定了，不懂的可以问），从而可以自己为网站写个新闻客户端了，把要的数据全都抓取下来，体验一下将别人的数据为我所用的快乐，呵呵。
总结一下：
jsoup解析html的步骤：
- 得到Document对象：
- 通过发送Jsoup的get或者post请求返回Document对象
- 将html字符串转换成Document对象（通过Jsoup.parse()方法）：
-
使用Document.select()进行初步筛选数据
-
使用Element的一系列方法筛选出我们要的数据
注意：要对照页面源码解析，解析任何数据之前我们都得先知道要解析数据的结构，看着html页面的源码调用Document，Element等对象的相关方法怎么简单怎么解析。
jsoup的get和post请求网络在实际运用中使用不多，通常我会将jsoup和Volley，XUtils,Okhttp等著名的android网络框架结合使用，即请求网络用Volley等框架，解析用Jsoup，至少我就是这样做的。
