Java爬虫-快速入门 HttpClient+JSoup详解 (附各种Demo）

Java爬虫-快速入门

HttpClient+JSoup详解 (附各种Demo）

写在前面：记录了学习数据挖掘以来的学习历程，先上之前的一些总结，随着学习的加深会慢慢更新。

Java爬虫-快速入门  目录

1.所需环境

2.HttpClient与Jsoup简介

3.为什么要和JSoup共同使用？

4.项目maven依赖

5.HttpClient的入门使用

（1）简介

（2）上一个简单的示例Demo：

6.JSoup的入门使用

（1）主要类的简介

（2）使用dom方法（遍历一个Document对象）来查找元素 -不推荐

（3）使用选择器语法来查找元素

（4）从元素抽取属性，文本和HTML

（5）这个示例是当时看完某教程后的练手Demo：

7.一个完整的Demo

(1)GetResult类，用HttpClient来抓取页面

（2）GetImg类，用Jsoup解析获取的页面

（3）测试单元test1.java

---

1.所需环境

我使用的环境是IDEA+Maven创建的maven project。其他方法亦可。

关于IDEA的下载安装及使用，可以参考这里：https://www.cnblogs.com/demingblog/p/5817125.html

关于Maven的下载安装，官网下载地址：http://maven.apache.org/download.cgi

关于Maven的相关配置请参考：https://blog.csdn.net/cs4380/article/details/79158268

2.HttpClient与Jsoup简介

1.什么是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。

2.为什么使用HttpClient？

HTTP 协议可能是现在 Internet 上使用得最多、最重要的协议了，越来越多的 Java 应用程序需要直接通过 HTTP 协议来访问网络资源。虽然在 JDK 的 java net包中已经提供了访问 HTTP 协议的基本功能，但是对于大部分应用程序来说，JDK 库本身提供的功能还不够丰富和灵活。 

它的主要功能有：

(1) 实现了所有 HTTP 的方法（GET,POST,PUT,HEAD 等）

(2) 支持自动转向

(3) 支持 HTTPS 协议

(4) 支持代理服务器等

 3.什么是JSoup？

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。

它的主要功能有：

 (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； 

3.为什么要和JSoup共同使用？

httpClient 属于专业的抓取网页的库，可以设置代理，抓取失败可以重试抓取

在我的实际使用中，单独用jsoup也可以直接抓取网页，但是在抓取上，jsoup比较弱，API简单，功能也简单，主要是扩展htmlparser的功能吧，解析html。测试过程中jsoup抓取页面经常报错（time out等等）。

因此,我们可以用httpclient抓取网页，再用Jsoup.parse解析页面。

4.项目maven依赖

HttpClient 4.5.6：

    org.apache.httpcomponents
    httpclient
    4.5.6

 JSoup 1.8.3

    org.jsoup
    jsoup
    1.8.3

5.HttpClient的入门使用

（1）简介

使用HttpClient发送请求、接收响应很简单，一般需要如下几步即可。

1. 创建HttpClient对象。

2. 创建请求方法的实例，并指定请求URL。如果需要发送GET请求，创建HttpGet对象；如果需要发送POST请求，创建HttpPost对象。

3. 如果需要发送请求参数，可调用HttpGet、HttpPost共同的setParams(HetpParams params)方法来添加请求参数；对于HttpPost对象而言，也可调用setEntity(HttpEntity entity)方法来设置请求参数。

4. 调用HttpClient对象的execute(HttpUriRequest request)发送请求，该方法返回一个HttpResponse。

5. 调用HttpResponse的getAllHeaders()、getHeaders(String name)等方法可获取服务器的响应头；调用HttpResponse的getEntity()方法可获取HttpEntity对象，该对象包装了服务器的响应内容。程序可通过该对象获取服务器的响应内容。

6. 释放连接。无论执行方法是否成功，都必须释放连接

（2）上一个简单的示例Demo：

import org.apache.http.HttpEntity;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;

import java.io.IOException;

public class test {
    //声明需要爬取的网址
    static String URL="http://www.baidu.com";

    //主函数入口
    public static void main(String args[]){
        //建立一个新的请求客户端
        CloseableHttpClient httpClient=HttpClients.createDefault();

        //使用HttpGet的方式请求网址
        HttpGet httpGet = new HttpGet(URL);


        //获取网址的返回结果
        CloseableHttpResponse response=null;
        try {
            response=httpClient.execute(httpGet);
        } catch (IOException e) {
            e.printStackTrace();
        }

        //获取返回结果中的实体
        HttpEntity entity = response.getEntity();

        //将返回的实体输出
        try {
            System.out.println(EntityUtils.toString(entity));
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

6.JSoup的入门使用

我学习JSoup的过程中，这个作者的博客专栏提供了很大的帮助：专栏：使用JSOUP实现网络爬虫

同时，可以参考jsoup Cookbook(中文版)，也非常的棒。

这里就根据CookBook来对jsoup的使用进行归纳

（1）主要类的简介

JSoup API中有6个包提供用于开发jsoup应用程序的类和接口。包中有很多类。

我们常用到的主要类：Jsoup、Document、Element/Elements

1.Document类：

是Jsoup的HTML文档对象模型，它由很多节点组成。

Document将html文档（String类型）解析为很多的Element和TextNode对象，其中TextNode继承自Node对象

继承链：

Document extends Element extends Node

TextNode extends Node

2.Element/Elements类：

Element类是Node的直接子类，它表示由一个标签名，多个属性和子节点组成的html元素。从这个元素中，你可以提取数据，可以遍历节点树，可以操纵html。

注：Node是节点的抽象模型。Elements, Documents, Comments等都是节点的实例。

Elements对象类似一个由多个Element对象组成的集合，有一接口为List，可以使用Element.select()方法去得到Elements 对象。

注：判断Elements对象是否为空需要.isEmpty()方法，而Element可以用==null

注：Elements.select()不能得到Element对象

3.Jsoup类：

通常用来建立连接，获取响应或发送响应

一个简单示例：

Document doc = Jsoup.connect(url).timeout(2000).get();

（2）使用dom方法（遍历一个Document对象）来查找元素 -不推荐

Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。

1.查找元素
getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key) (and related methods)
Element siblings: siblingElements(), firstElementSibling(), lastElementSibling(); nextElementSibling(), previousElementSibling()
Graph: parent(), children(), child(int index)

2.元素数据
attr(String key)获取属性attr(String key, String value)设置属性
attributes()获取所有属性
id(), className() and classNames()
text()获取文本内容text(String value) 设置文本内容
html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
outerHtml()获取元素外HTML内容
data()获取数据内容（例如：script和style标签)
tag() and tagName()

3.操作HTML和文本
append(String html), prepend(String html)
appendText(String text), prependText(String text)
appendElement(String tagName), prependElement(String tagName)
html(String value)

                                                                                                                                                              引用自CookBook-dom

（3）使用选择器语法来查找元素

jsoup与其他解析器的区别就是可以使用类似jquery的选择器语法来搜索及过滤出所需的元素

这里我们还要介绍最重要的选择器语法

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。

1.Selector选择器概述
tagname: 通过标签查找元素，比如：a
ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 元素
#id: 通过ID查找元素，比如：#logo
.class: 通过class名称查找元素，比如：.masthead
[attribute]: 利用属性查找元素，比如：[href]
[^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素
[attr=value]: 利用属性值来查找元素，比如：[width=500]
[attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href*=/path/]
[attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i)\.(png|jpe?g)]
*: 这个符号将匹配所有元素
Selector选择器组合使用
el#id: 元素+ID，比如： div#logo
el.class: 元素+class，比如： div.masthead
el[attr]: 元素+class，比如： a[href]
任意组合，比如：a[href].highlight
ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素
parent > child: 查找某个父元素下的直接子元素，比如：可以用div.content > p 查找 p 元素，也可以用body > * 查找body标签下所有直接子元素
siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div
siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p
el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo
2.伪选择器selectors
:lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素
:gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素
:eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
:has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
:not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)
:containsOwn(text): 查找直接包含给定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等*/

                                                                                                                                                          引用自CookBook-选择器

select()的使用还可以参考这一篇博文，写的也很好。

（4）从元素抽取属性，文本和HTML

在解析获得一个Document实例对象，并查找到一些元素之后，如何取得在这些元素中的数据呢？

方法
要取得一个属性的值，可以使用Node.attr(String key) 方法
对于一个元素中的文本，可以使用Element.text()方法
对于要取得元素或属性中的HTML内容，可以使用Element.html(), 或 Node.outerHtml()方法

示例：
String html = "

An example link.

";
Document doc = Jsoup.parse(html);//解析HTML字符串返回一个Document实现
Element link = doc.select("a").first();//查找第一个a元素

String text = doc.body().text(); // "An example link"//取得字符串中的文本
String linkHref = link.attr("href"); // "http://example.com/"//取得链接地址
String linkText = link.text(); // "example""//取得链接地址中的文本

String linkOuterH = link.outerHtml();
    // "example"
String linkInnerH = link.html(); // "example"//取得链接内的html内容

tips：
上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用：

Element.id()
Element.tagName()
Element.className() and Element.hasClass(String className)
这些访问器方法都有相应的setter方法来更改数据.

                                                                                                                                                       引用自CookBook-抽取元素

（5）这个示例是当时看完某教程后的练手Demo：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.IOException;

class test2{
    public static void main(String args[]){
        //设置需要爬取的网页，这里为方便起见就直接用Jsoup自带的api来爬取网页了
        //这个网页是桂林电子科技大的信息科技学院的学院新闻版块页面
        String url = "http://www.guit.edu.cn/xwzx/mtxk.htm";
        //声明Document类，来存储爬取到的html文档
        Document doc = null;
        try {
            doc = Jsoup.connect(url).timeout(2000).get();
            //调用Jsoup类中的connect()方法，url为需要爬取的页面
            //timeout()来设置超时时间，get()方法来获取响应页面
        } catch (IOException e) {
            e.printStackTrace();
        }
        
        //System.out.println(doc);//测试用

        //使用select选择器
        Elements elements = doc.select(".box-list").select(".oh").select("a");

        //System.out.println(elements);//测试用

        for(Element e:elements){
            if(e.text().length()>8){
                //逐条输出新闻信息
                System.out.println(e.text());
            }
        }

    }
}

7.一个完整的Demo

当时写这个Demo时，这篇博文给了我很大帮助。我对其中的代码加以完善和详细注释，附在下面。

(1)GetResult类，用HttpClient来抓取页面

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.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClientBuilder;
import org.apache.http.util.EntityUtils;

public class GetResult {
    public static String getResult(String url) throws Exception {
        //这里用了try-with-resource语法，在try()括号中的资源会在try语句块执行完之后自动释放
        try (CloseableHttpClient httpClient = HttpClientBuilder.create().build();
             CloseableHttpResponse response = httpClient.execute(new HttpGetConfig(url))) 
        {
            String result = EntityUtils.toString(response.getEntity());
            return result;
        } catch (Exception e) {
            System.out.println("获取失败");
            return "";
        }
        //所以不需要再finally中释放资源。
    }
}
//内部类，继承HttpGet，为了设置请求超时的参数
class HttpGetConfig extends HttpGet {
    public HttpGetConfig(String url) {
        super(url);
        setDefaulConfig();
    }

    private void setDefaulConfig() {
        this.setConfig(RequestConfig.custom()
                .setConnectionRequestTimeout(10000)
                .setConnectTimeout(10000)
                .setSocketTimeout(10000).build());
        this.setHeader("User-Agent", "spider");
    }
}

（2）GetImg类，用Jsoup解析获取的页面

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.File;
import java.io.FileOutputStream;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.URL;
import java.net.URLConnection;

public class GetImg {
    public class GetImg {
    public GetImg(String url) throws Exception{
        //获取工具类GetResult返回的html,并用Jsoup解析
        String result = GetResult.getResult(url);
        Document document = Jsoup.parse(result);
        //若HTML文档包含相对URLs路径，需要将这些相对路径转换成绝对路径的URLs
        document.setBaseUri(url);//指定base URI

        //获取所有的img元素
        Elements elements = document.select("img");
        int i=1;
        for (Element e : elements) {
            //获取每个src的绝对路径
            String src = e.absUrl("src");
            URL urlSource = new URL(src);
            URLConnection urlConnection = urlSource.openConnection();

            //设置图片名字
            String imageName = src.substring(src.lastIndexOf("/") + 1,i++);

            //控制台输出图片的src
            System.out.println(e.absUrl("src"));

            //通过URLConnection得到一个流，将图片写到流中，并且新建文件保存
            InputStream in = urlConnection.getInputStream();
            OutputStream out = new FileOutputStream(new File("E:\\IDEA\\imgs\\", imageName));
            byte[] buf = new byte[1024];
            int l = 0;
            while ((l = in.read(buf)) != -1) {
                out.write(buf, 0, l);
            }
        }
    }
}

想要了解更多关于URL的处理，可以查看CookBook-URL

（3）测试单元test1.java

import org.junit.Test;

/**
 * 2018-9-8 单元测试
 * @author ljx
 */
public class test1 {
    @Test
    public void testGetResult() throws Exception{
        GetImg getImg = new GetImg("https://www.bilibili.com/");
    }
}

关于JUnit我这里就不班门弄斧了，也是正在学习，想要了解的转这里。