Jsoup-爬取实战

文章目录

  • Jsoup
  • 导入依赖
  • 获取信息
  • 数据筛选

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。
爬虫可以用于搜索引擎,内容检索,数据采集分析等,十分强大,不过不要为所欲为(盗电影、音乐),要合理利用。
在这里插入图片描述

Jsoup官网
中文文档

导入依赖

不会maven可参考我的另一篇博客

	  <dependency>
          <groupId>org.jsoupgroupId>
          <artifactId>jsoupartifactId>
          <version>1.10.2version>
      dependency>

获取信息

以在CSDN搜索jsoup为例,请求该URL,查看你所需信息标签的id或class,用Jsoup返回浏览器Document对象,然后可以用js的方法获取对象和操作。
Jsoup-爬取实战_第1张图片

package com.wzl.utils;

import org.jsoup.Jsoup;

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

import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;

public class HtmlParseUtil {
    public static void main(String[] args) throws IOException {
        //获取请求(需联网)
        String url="https://so.csdn.net/so/search/s.do?q=jsoup&t=&u=";
        //解析网页(Jsoup返回浏览器Document对象,可以使用Js的方法)
        Document document=Jsoup.parse(new URL(url),60000);//设置60s超时
        Elements elements=document.getElementsByClass("search-list J_search");
        for (Element el:elements) {
            System.out.println(el.html());
            System.out.println("=================");
        }
    }
}

控制台输出结果
Jsoup-爬取实战_第2张图片
至此就获取到了我们想要的信息。

数据筛选

然后就是对获取到的数据进一步处理和解析,比如筛选标签内的核心内容等。使用前端document对象的方法,提取标题,地址,作者等,然后可以把这些数据再封装成你自己的类等,这里直接输出演示。
查找DOM元素

方法 用法
getElementById(String id) 通过id来获取
getElementsByTag(String tagName) 通过标签名字来获取
getElementsByClass(String className) 通过类名来获取
getElementsByAttribute(String key) 通过属性名字来获取
getElementsByAttributeValue(String key, String value) 通过指定的属性名字,属性值来获取
getAllElements() 获取所有元素

Jsoup-爬取实战_第3张图片

package com.wzl.utils;

import org.jsoup.Jsoup;

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

import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;

public class HtmlParseUtil {
    public static void main(String[] args) throws IOException {
        //获取请求(需联网)
        String url="https://so.csdn.net/so/search/s.do?q=jsoup&t=&u=";
        //解析网页(Jsoup返回浏览器Document对象,可以使用Js的方法)
        Document document=Jsoup.parse(new URL(url),60000);//设置60s超时
        Elements elements=document.getElementsByClass("search-list J_search");
        for (Element el:elements) {
            //System.out.println(el.html());
            String title=el.getElementsByTag("a").eq(0).text();//标题
            String href=el.getElementsByTag("a").eq(0).attr("href");//博客地址(第一个里)
            String writer=el.getElementsByTag("a").eq(1).text();//作者(第二个里)
            String count=el.getElementsByClass("mr16").html();//浏览量
            String time=el.getElementsByClass("date").html();//时间
            System.out.println("标题:"+title);
            System.out.println("地址:"+href);
            System.out.println("作者:"+writer);
            System.out.println("浏览量:"+count);
            System.out.println("时间:"+time);
            System.out.println("=================");
        }
    }
}

输出结果:
Jsoup-爬取实战_第4张图片
还可以用jsoup的选择器来进行筛选,也很方便:Element.select(String selector)Elements.select(String selector) ,作用异曲同工,都是查找DOM元素,选择器对更复杂的筛选条件有优势。
引用官方文档介绍

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 fb:name 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

总结爬取数据思路:获取请求、返回页面信息、筛选所需数据。

原创不易,请支持正版。(百度发现我的好多博客被抄袭qswl
博主首页:https://blog.csdn.net/qq_45034708
你的点赞将会是我最大的动力,关注一波

你可能感兴趣的:(Web)