使用jsoup爬虫抓取一个URL
这两天开始写爬虫，本意是想在各大音乐网站上爬些音乐到本地来听的。后来发现这好像并没有我想象的那么容易，我也是醉了。索性把我学习爬虫的经过写成博客，慢慢总结吧。
爬虫最重要的部分就在于如何解析获取到的HTML文档，在这方面我使用了jsoup，一个简单好用的HTML解析器。通过Maven注入到项目之中。我一开始练习爬数据的网站是http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2017/index.html，里面的数据正好可以满足初学者的练习使用。
这是完整的代码：
package root.worm;
import org.jsoup.Jsoup;
import org.jsoup.helper.Validate;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.PrintWriter;
public class GetMessageFromWeb{
//主程序方法
public static void main(String[] args) throws IOException {
String URL = args[0];
System.out.println("正在抓取"+URL+"......");
//开始抓取URL中的HTML文档
Search(URL);
}
//递归的URL抓取
public static void Search(String URL) throws FileNotFoundException {
//通过网络/本地获取到了HTML文本
String FileName = "本地html保存";
Document document = GetLoccalHtmlText(URL,FileName);
//根据要抓取网页的信息来决定抓取的方式以及配置，这需要我们对要爬取的网页的源码有一定的了解
//根据网页源码，数据都在含有class属性的tr标签中，使用此方法可以抽取所有满足条件的元素
Elements elements = document.select("tr[class]");
//接下来是我需要在整个HTML文档中抓取的重要信息
//-----------------------------------------------------------------------
System.out.println("在整个文档内抓取的关键信息如下：");
for (Element element : elements){
//抓取地区名称信息
System.out.print(element.text()+" ");
// 抓取下一层地区的绝对路径并打印
String AfterPlace = element.select("td")
.last().select("a[href]").attr("abs:href");
System.out.println(AfterPlace);
}
//-----------------------------------------------------------------------
//Document就是抓取到的HTML文档，在jsoup中它被封装成了对象
System.out.println("抓取到的网页源码");
//这是抓取到的全部HTML文档
System.out.println(document);
}
//从网络上获取HTML文本
public static Document GetWebHtmlText(String URL){
Document document = null;
try {
//直接向URL发出GET请求获取HTML文档（Document）
document = Jsoup.connect(URL).get();
} catch (IOException e) {
e.printStackTrace();
}
return document;
}
//从本地获取HTML文本，一般来说对于一个网站只爬取一次，然后直接把文档存在本地
//这是为了防止每次都从URL中获取Document而产生的403错误
public static Document GetLoccalHtmlText(String URL, String FileName) {
String FilePath = "C:\\Users\\Lenovo\\Desktop\\"+FileName+".html";
File file = new File(FilePath);
Document document = null;
try {
document = Jsoup.parse(file,"UTF-8");
} catch (IOException e) {
System.out.println("本机没有此文件，正在抓取中......");
//从网络上获取Document
document = GetWebHtmlText(URL);
System.out.println("抓取成功！\n保存中......");
//对这个网站的爬取会出现绝对地址和相对地址的问题
//我采取的方法是：在保存到本地的时候对Document中的URL地址做修改，使其变成绝对路径
//因为我是在文档保存的方法里进行的操作，所以Document要作为参数被传入到方法里
document = Save_Text(document,URL,FileName);
System.out.println("保存成功!");
}
return document;
}
//把HTML文档存储在本地
public static Document Save_Text(Document document, String Url, String FileName){
String FilePath = "C:\\Users\\Lenovo\\Desktop\\"+FileName+".html";
File file = new File(FilePath);
Integer Flag = 0;
try {
//定义输出流
PrintWriter printWriter = new PrintWriter(file);
//获取页面中带有class属性的tr标签，就是存放信息的标签，可以通过浏览器获取到相关信息
Elements elements = document.select("tr[class]");
//因为要把网页上的文档保存到本地，保存的时候使用的是UTF-8编码，所以本地文档中的编码也需要调整成UTF-8
document.select("meta").attr("content","charset=UTF-8");
//从访问的URL中获得绝对路径的前半部分
String Before_Url = Url.substring(0,Url.lastIndexOf("/")+1);
//对每一个标签做遍历
for (Element element : elements) {
//列名后没有地址，所以第一次不能打印（根据网页元素的排列而设定）
Flag++;
if(Flag > 1) {
//每个 标签中含有两个标签，我们要的是最后一个 标签中的标签的href元素
//绝对路径的前半部分+后半部分即为该URL中的URL的地址
String After_Url = element.select("td").last().
select("a[href]").attr("href");
//这就是合成出来的绝对地址
String Abs_Url = Before_Url + After_Url;
//把Document中的相对路径换成绝对路径
element.select("td").last().
select("a[href]").attr("href", Abs_Url);
}
}
//文档经过修改后存放在本地
//存的时候采用UTF-8编码，因为本地都采用的是UTF-8编码
printWriter.println(new String(document.toString().getBytes("UTF-8")));
printWriter.close();
} catch (IOException e) {
e.printStackTrace();
}
return document;
}
}
现在一步一步的来看抓取的思路。
抓取思路
一、Document查找
首先查找是否存在本地HTML文档，第一次的话肯定是没有的，所以一开始的时候需要在URL中获取到HTML文档（Document）
//从本地获取HTML文本，一般来说对于一个网站只爬取一次，然后直接把文档存在本地
//这是为了防止每次都从URL中获取Document而产生的403错误
public static Document GetLoccalHtmlText(String URL, String FileName) {
String FilePath = "C:\\Users\\Lenovo\\Desktop\\"+FileName+".html";
File file = new File(FilePath);
Document document = null;
try {
document = Jsoup.parse(file,"UTF-8");
} catch (IOException e) {
System.out.println("本机没有此文件，正在抓取中......");
//从网络上获取Document
document = GetWebHtmlText(URL);
System.out.println("抓取成功！\n保存中......");
//对这个网站的爬取会出现绝对地址和相对地址的问题
//我采取的方法是：在保存到本地的时候对Document中的URL地址做修改，使其变成绝对路径
//因为我是在文档保存的方法里进行的操作，所以Document要作为参数被传入到方法里
document = Save_Text(document,URL,FileName);
System.out.println("保存成功!");
}
return document;
}
这个方法的逻辑是这样的：先查找本地文件是否存在对应的HTML文档，如果没有就直接调用GetWebHtmlText()方法，从网页上获取。获取成功后，直接把获取到的HTML文档（Document）保存在本地文件中。在下一次爬取的时候就可以直接从本地获取到Document了，不用再去URL获取了。注释中的问题在后面有解释。
二、从URL中获得Document
第一次启动程序，本地文件中是不存在HTML文档的，所以按照上面方法的结论，此时应该从URL中获取。
//从网络上获取HTML文本
public static Document GetWebHtmlText(String URL){
Document document = null;
try {
//直接向URL发出GET请求获取HTML文档（Document）
document = Jsoup.connect(URL).get();
} catch (IOException e) {
e.printStackTrace();
}
return document;
}
这里使用的HTML解析器是jsoup，它提供了一系列方法来获取Document，这里可以直接来通过URL获取其网页的HTML文档，获取文档直接返回就可以了。
三、Document保存到本地
刚刚在保存的方法之前，有一段注释说了绝对路径和相对路径的问题。我在这里先解释一下：
首先看下，第一次直接从网页上获得的完整的Document
2017年统计用区划代码
统计用区划代码
名称
140100000000
太原市
140200000000
大同市
140300000000
阳泉市
140400000000
长治市
140500000000
晋城市
140600000000
朔州市
140700000000
晋中市
140800000000
运城市
140900000000
忻州市
141000000000
临汾市
141100000000
吕梁市
现在主要看文字对应的标签
阳泉市
可以看出来，href属性的值都为绝对路径，这是因为这些数据都是直接从网上拿下来的，没有经过任何处理，而且，我在一开始主要信息抓取的地方使用了：
String AfterPlace = element.select("td").last().select("a[href]").attr("abs:href");
在进行href属性提取的时候我提取的是绝对路径，所以，最终我抓取出的数据为：
这些数据就是从网络直接拿来的Document中一模一样的一部分，现在其实还没什么问题，但是如果Document保存到文件中，第二次从文件中提取Document的时候就会出现问题了。
相对地址和绝对地址
先看下人家的网页源码
上面通过URL直接获取的Document中的href属性是绝对路径啊，但是这里为啥是相对路径呢？
这是因为这个网站相当于一个项目，是运行在服务器的目录下的，我们直接通过URL获取的Document中是含有这个网站的项目目录的。绝对路径就是这里的相对路径加上项目目录。所以一开始的Document中式可以拿出来绝对路径的。
但是保存在文件里的Document是不含有网站的项目路径的，所以显而易见的就不能获取绝对路径了，只会拿到相对路径，是没什么用的，也点不进去。
解决方法是：我们可以把相对路径先提取出来，绝对路径的话，可以从要爬取的URL上获得，两者拆分拼接一下就成为绝对路径了，然后用绝对路径替换掉相对路径再保存到文件里，不就解决问题了么。
路径替换
//把HTML文档存储在本地
public static Document Save_Text(Document document, String Url, String FileName){
String FilePath = "C:\\Users\\Lenovo\\Desktop\\"+FileName+".html";
File file = new File(FilePath);
Integer Flag = 0;
try {
//定义输出流
PrintWriter printWriter = new PrintWriter(file);
//获取页面中带有class属性的tr标签，就是存放信息的标签，可以通过浏览器获取到相关信息
Elements elements = document.select("tr[class]");
//因为要把网页上的文档保存到本地，保存的时候使用的是UTF-8编码，所以本地文档中的编码也需要调整成UTF-8
document.select("meta").attr("content","charset=UTF-8");
//从访问的URL中获得绝对路径的前半部分
String Before_Url = Url.substring(0,Url.lastIndexOf("/")+1);
//对每一个标签做遍历
for (Element element : elements) {
//列名后没有地址，所以第一次不能打印（根据网页元素的排列而设定）
Flag++;
if(Flag > 1) {
//每个 标签中含有两个标签，我们要的是最后一个 标签中的标签的href元素
//绝对路径的前半部分+后半部分即为该URL中的URL的地址
String After_Url = element.select("td").last().
select("a[href]").attr("href");
//这就是合成出来的绝对地址
String Abs_Url = Before_Url + After_Url;
//把Document中的相对路径换成绝对路径
element.select("td").last().
select("a[href]").attr("href", Abs_Url);
}
}
//文档经过修改后存放在本地
//存的时候采用UTF-8编码，因为本地都采用的是UTF-8编码
printWriter.println(new String(document.toString().getBytes("UTF-8")));
printWriter.close();
} catch (IOException e) {
e.printStackTrace();
}
return document;
}
有详细的注释，也就不用多说什么了。
路径替换完毕后直接存到文件里就可以了，这里一定要注意编码的转换，要不然全都是乱码。
现在展示一下：
一、先启动程序，从网页获取Document
嗯现在抓取到了想要的信息了。
二、本地文件查看
没有乱码，网页爬下来了。
三、第二次爬取（从文件中）
抓取到了绝对路径，可以直接点进去。
这只是小练习，总结一下，仅供个人学习使用。