Java爬虫之学习篇 Jsoup爬取页面

不知不觉在这个爬虫行业工作半年多了。在网上看到的java文章大多都是比较简单的一个例子。
没有太多系统的总结的专栏,既然没有的话,我就自己写一个吧。不足之处希望大家,多多指点.

此篇主要内容: jsoup的使用, 对不同数据类型抓取. 对数据的抽取:

开始前,先介绍下Jsoup。
Jsoup是java的一个开源,可以来模拟浏览器来获取网页数据的框架。也就是可以实现爬虫的功能,知道这个就行了。有兴趣深入的小伙伴。可以观看下面官方文档 。
jsoup官方的文档:https://www.open-open.com/jsoup/ 这是一篇中文官方的文档。

下面开始介绍Jsoup: 按功能分类的话:Josup可以分为两类:抓取数据,数据抽取。下面就这两个功能开始详细说明。

抓取数据:从页面中将数据爬下来。
抓取数据的一些前期准备工作:
一、fiddler抓包工具
官网下载地址:http://www.telerik.com/fiddler
这种需要抓包工具,抓取参数。向大家推荐fiddler.上网有许多大佬,写了很详细的介绍,我就不献丑了。就推荐一篇
fiddler使用介绍:https://www.cnblogs.com/ink-marks/p/6363275.html
二、jar包 的下载(之后再补充吧)

下面进入主题,开始爬数据了

首先:爬数据之前,我们应该知道,想要爬取的网站是以什么向服务器发出的请求,返回的数据又是什么格式。知道这些,后面就可以想套公示一样去解析该网站。

浏览器向服务器端请求的方式,大多分为post与get。而返回的数据类型,一般为html与json两种格式。(目前我只碰到这些)
所以组合一下,网站大致可以为4种爬取数据的类型,本文针对这4种数据类型分别说明

get请求,返回html格式的数据.的情况

Document doc = Jsoup.connect(url)   //url 是浏览器地址栏的连接,直接放入就可以了
			 .timeout(1000*10)      //访问时长的设置
			 .get();		       //get请求

post请求,返回html格式的数据.的情况
post请求则需要抓包工具,来帮助我们,来获得传递的参数了

get请求,返回json格式的数据.的情况

post请求,返回json格式的数据.的情况

之后补充,再将4个demo 的例子传上来.

数据抽取 基本上从上述官方文档中获取的。
一、使用dom方法来遍历一个Document对象
Java爬虫之学习篇 Jsoup爬取页面_第1张图片 官方的文档:https://www.open-open.com/jsoup/dom-navigation.htm 类似js的一些使用

二、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。
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

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

三、元素抽取属性,文本和HTML
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

说明

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)

你可能感兴趣的:(Java爬虫)