Android基于Jsoup的网络爬虫

一、浅谈网络爬虫

​随着网络的迅速发展,互联网成为大量信息的载体，如何有效的利用这些信息成为巨大的挑战。区别于搜索引擎，定向抓取相关网页资源的网络爬虫应用而生，可以根据既定的抓取目标有效的选择网络上需要的网页资源和信息。如用户想获得知乎豆瓣等网站上的主要数据进行分析，如用户想获得某个论坛贴吧内的所有图片等，把这项工作交给网络爬虫，可以大大提高人们的效率。

二、Jsoup简介

Jsoup是一个 Java 的开源HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常方便的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。

Jsoup主要有以下功能：

• 从一个字符串、文件或者一个 URL 中解析HTML
• 提供一系列方法对HTML进行数据抽取
• 对HTML元素、属性、文本进行操作
• 消除不受信任的HTML (来防止XSS攻击)

简言之，安卓跟web爬虫基本上没什么区别，都是通过请求获得响应。Android返回的是json格式的字符串，web返回的是页面，通过Jsoup我们可以方便的对网页的数据进行操作。

三、Jsoup的配置

首先在Jsoup官网 https://jsoup.org/download 下载对应的jar包

并将下载的jar包导入项目的依赖库中

implementation ‘org.jsoup:jsoup:1.12.1’

然后在gradle中添加以下依赖

compile 'org.jsoup:jsoup:1.12.1'

由于jsoup需要获取网络数据，所以需要添加网络权限

四、Jsoup的使用

1.从一个字符串、文件或者一个 URL 中解析HTML

String html = ""
  + "
Parsed HTML into a doc.
";
Document doc = Jsoup.parse(html);

当对象是URL时，使用 Jsoup.connect(String url)方法:

Document doc = Jsoup.connect("http://example.com/").get();
String title = doc.title();

当URL请求为post方式而不是get方式时

Document doc = Jsoup.connect("http://example.com")
  .data("query", "Java")
  .userAgent("Mozilla")
  .cookie("auth", "token")
  .timeout(3000)
  .post();

2.提供一系列方法对HTML进行数据抽取
Jsoup将HTML解析成Document后，可以使用一系列DOM方法:

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

Element content = doc.getElementById("content");
Elements links = content.getElementsByTag("a");
for (Element link : links) {
  String linkHref = link.attr("href");
  String linkText = link.text();
}

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。具体如下：

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)

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)

3.对HTML元素、属性、文本进行操作

在你解析一个Document之后可能想修改其中的某些属性值，然后再保存到磁盘或都输出到前台页面。
可以利用Jsoup进行如下操作:

Element div = doc.select("div").first(); // 

div.html("
lorem ipsum
"); // 
lorem ipsum
div.prepend("
First
");//在div前添加html内容
div.append("
Last
");//在div之后添加html内容
// 添完后的结果: 
First
lorem ipsum
Last

Element span = doc.select("span").first(); // One
span.wrap("
");
// 添完后的结果: 
One

这是对一个HTML中内容元素的设置
关于Jsoup的更多使用细节可以参考中文文档:https://www.open-open.com/jsoup/

五、爬取数据的思路

1.根据想要获取的资源，利用浏览器自带的审查元素功能(F12)获得想要的资源
以知乎为例如下可见网页的各个元素的名称:

2.利用Jsoup进行解析:
这里主要的分析网站是https://www.zhihu.com/topic/19550874/hot
因为Android的网络操作需要在不能在主线程运行，可以使用Thread+Handler或者AsyncTask获取数据并在主界面刷新UI。
其次是数据的展示，将数据放在listView中即可，如果要加入下拉刷新或者上滑加载则需要额外的工作。
以下是关键代码:

/private class SearchTask extends AsyncTask
{
    Context context;
    Map.Entry  topicURL;

    public SearchTask(Context context,Map.Entry topicURL)
    {
        this.context = context;
        this.topicURL = topicURL;
    }

    @Override
    protected Boolean doInBackground(Void... voids)
    {
        Connection conn= Jsoup.connect("https://www.zhihu.com/topic/" + topicURL.getValue()+ "/hot");
        Document doc;
        try
        {
            doc = conn.get();
            Elements answerList = doc.select("div[class=ContentItem AnswerItem]");
            for (Element element : answerList)
            {
                Map map = new HashMap<>();
                //作者 标题
                JsonParser parser = new JsonParser();
                JsonObject data = parser.parse(element.attr("data-zop")).getAsJsonObject();
                String authorName = data.get("authorName").getAsString();
                String title = data.get("title").getAsString();
                map.put("title", title);
                //简略内容
                Elements spanContent = element.select("span[class=RichText CopyrightRichText-richText]");
                String minContent = spanContent.text();
                map.put("content", authorName+":"+minContent);
                //赞数
                Elements likeCountButton = element.select("button[class=Button VoteButton VoteButton--up]");
                String likeCount = likeCountButton.text();
                map.put("likeCount", likeCount+"点赞");
                //回答URL
                String url = element.getElementsByAttributeValue("itemprop", "url").get(2).attr("content");
                map.put("url", url);
                map.put("topic",topicURL.getKey());
                answersList.add(map);
            }
        } catch (IOException e)
        {
            e.printStackTrace();
        }
        return true;
    }

    @Override
    protected void onPostExecute(final Boolean success) {
        if (success) {
            listView_answer.onLoadComplete();
            adapter.notifyDataSetChanged();
            if(getUserVisibleHint())
                Toast.makeText(getActivity(), "加载完成", Toast.LENGTH_SHORT).show();
        } else {
            if(getUserVisibleHint())
                Toast.makeText(getActivity(),"连接服务器出错",Toast.LENGTH_SHORT).show();
        }
        mAuthTask = null;
    }

    @Override
    protected void onCancelled() {
        mAuthTask = null;
    }
}

private void setListView(View rootView)
{
    listView_answer = (LoadMoreListView) rootView.findViewById(R.id.listView_answer);
    listView_answer.setLoadMoreListen(this);
    swip = (SwipeRefreshLayout) rootView.findViewById(R.id.swip_index);
    swip.setOnRefreshListener(this);
    swip.setColorSchemeResources(android.R.color.holo_blue_light, android.R.color.holo_red_light, android.R.color.holo_orange_light,
            android.R.color.holo_green_light);
    adapter = new SimpleAdapter(getContext(),answersList,R.layout.answer_layout,
            new String[]{"title","content","likeCount","topic"},
            new int[]{R.id.textView_title,R.id.textView_content,R.id.textView_likeCount,R.id.textView_topic});
    listView_answer.setOnItemClickListener(new AdapterView.OnItemClickListener()
    {
        @Override
        public void onItemClick(AdapterView adapterView, View view, int i, long l)
        {
            Intent intent = new Intent();
            intent.setAction(Intent.ACTION_VIEW);
            Uri content_url = Uri.parse(answersList.get(i).get("url").toString());
            intent.setData(content_url);
            startActivity(intent);
        }
    });
    listView_answer.setAdapter(adapter);
}

参考地址:https://blog.csdn.net/chinastraw/article/details/79397892
至此，一个简单的Android网络爬虫就已经实现(layout文件省略)
作者:毛忠钦
原文地址:https://blog.csdn.net/qq_39388534/article/details/90721821