2020-02-26java爬虫&html解析-Jsoup(绿盟极光报告)

java爬虫&html解析-Jsoup(绿盟极光报告)

一、类库选取

Java爬虫解析HTML文档的工具有：htmlparser, Jsoup。

主要是实现的功能需求，选取Jsoup，对html进行解析，爬去数据。

Jsoup可以直接解析某个URL地址、HTML文本内容，它提供非常丰富的处理Dom树的API。

Jsoup最强大的莫过于它的CSS选择器支持：

例如：document.select("div.content > div#image > ul > li:eq(2)

二、包引入方法

https://mvnrepository.com/artifact/org.jsoup/jsoup/1.12.2

可以通过maven在pom.xml添加

    org.jsoup    jsoup    1.12.2

还可以下载jar包直接添加到项目里面

三、Jsoup解析方法

Jsoup支持四种方式解析Document，即可以输入四种内容得到一个Document：

解析字符串

解析body片段

从一个URL解析

从一个文件解析

字符串解析

字符串中必须包含head和body元素。

String html = ""  + "

Parsed HTML into a doc.

"; Document doc = Jsoup.parse(html);

HTML片段解析

String html = "

Lorem ipsum.

"; Document doc = Jsoup.parseBodyFragment(html); Element body = doc.body();

URL解析

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

还可以携带cookie等参数：(和Python的爬虫类似)

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

本地文件解析

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

本次的项目需求是本地的文件解析

重新编写一下文件读取方法：

/**  * 提取文件里面的文本信息  */ public static String openFile(String szFileName) {    try {        BufferedReader bis = new BufferedReader(new InputStreamReader(new FileInputStream(new File(szFileName)), ENCODE));        String szContent = "";        String szTemp;          while ((szTemp = bis.readLine()) != null) {            szContent += szTemp + "\n";        }        bis.close();        return szContent;    } catch (Exception e) {        return "";    } }

四、Jsoup遍历DOM树的方法

使用标准的DOM方法

根据id查找元素: getElementById(String id) 根据标签查找元素: getElementsByTag(String tag) 根据class查找元素: getElementsByClass(String className) 根据属性查找元素: getElementsByAttribute(String key) 兄弟遍历方法: siblingElements(), firstElementSibling(), lastElementSibling(); nextElementSibling(), previousElementSibling() 层级之间遍历: parent(), children(), child(int index)

些方法会返回Element或者Elements节点对象，这些对象可以使用下面的方法获取一些属性：

attr(String key): 获取某个属性值 attributes(): 获取节点的所有属性 id(): 获取节点的id className(): 获取当前节点的class名称 classNames(): 获取当前节点的所有class名称 text(): 获取当前节点的textNode内容 html(): 获取当前节点的 inner HTML outerHtml(): 获取当前节点的 outer HTML data(): 获取当前节点的内容，用于script或者style标签等 tag(): 获取标签 tagName(): 获取当前节点的标签名称 有了这些API，就像JQuery一样很便利的操作DOM。

强大的CSS选择器支持

htmlparse支持xpath，可以很方便的定位某个元素，而不用一层一层地遍历DOM树。调用方法如下： document.select(String selector): 选择匹配选择器的元素，返回是Elements对象 document.selectFirst(String selector): 选择匹配选择器的第一个元素，返回是一个Element对象 element.select(String selector): 也可以直接在Element对象上执行选择方法 Jsoup能够完美的支持CSS的选择器语法，可以说对应有前端经验的开发者来说简直是福音，不用特意去学习XPath的语法。

下面列出一些常见的选择器：

标签选择(如div): tag id选择(#logo): #id class选择(.head): .class 属性选择([href]): [attribute] 属性值选择: [attr=value] 属性前缀匹配: [^attr] 属性简单正则匹配: [attr^=value], [attr$=value], [attr*=value], [attr~=regex]

另外还支持下面的组合选择器：

element#id: (div#logo: 选取id为logo的div元素) element.class: (div.content: 选择class包括content的div元素) element[attr]: (a[href]: 选择包含href的a元素) ancestor child: (div p: 选择div元素的所有p后代元素) parent > child: (p > span: 选择p元素的直接子元素中的span元素) siblingA + siblingB: (div.head + div: 选取div.head的下一个兄弟div元素) siblingA ~ siblingX: (h1 ~ p: 选取h1后面的所有p兄弟元素) el, el, el: (div.content, div.footer: 同时选取div.content和div.footer)

还支持伪元素选择器：

:lt(n): (div#logo > li:lt(2): 选择id为logo的div元素的前3个li子元素) :gt(n) :eq(n) :has(selector) :not(selector) :contains(text)

Jsoup修改DOM树结构

Jsoup还支持修改DOM树结构，真的很像JQuery。

// 设置属性 doc.select("div.comments a").attr("rel", "nofollow");  // 设置class doc.select("div.masthead").attr("title", "jsoup").addClass("round-box"); 

下面的API可以直接操作DOM树结构：

text(String value): 设置内容 html(String value): 直接替换HTML结构 append(String html): 元素后面添加节点 prepend(String html): 元素前面添加节点 appendText(String text), prependText(String text) appendElement(String tagName), prependElement(String tagName)

五、项目实战（绿盟扫描器结果html数据爬虫整理）

获取2.1 漏洞概况数据获取

//绿盟扫描结果

public static Listgetlist1(Document doc, String ip){

    //获取2.1 漏洞概况

    //System.out.println(doc+"---------");

    Elements elList=doc.getElementsByAttributeValue("id","vuln_list");

    if(!elList.isEmpty()) {

    Element el=elList.first();

    Elements trLists = el.select("tr");//获取第一个tr

        //System.out.println(doc+"---------");

        for (int i = 0; i < trLists.size(); i++) {

            Elements tds = trLists.get(i).select("td");//获取td标签

            for (int j = 0; j < tds.size() - 1; j++) {

                String text = tds.get(j).text();

                }

            }

        }

    }

}

获取2.2 漏洞详情数据获取

blic static Listgetlist2(Document doc){

​

    //获取2.2 漏洞详情

    ListcList2 = new ArrayList();//获取相关的漏洞表述和CVSS数值

    ListcList3 = new ArrayList();//获取漏洞的名称

    ListcList4 = new ArrayList();//最后获取完整的 漏洞名称、漏洞描述、整改方法、CVSS评分

    Listlist3 = new ArrayList();//对应漏洞和漏洞描述和CVSS评分的数组

    Elements elList1=doc.getElementsByAttributeValue("id","vul_detail");//获取 2.2大模块的全部代码

        Element el1 = elList1.first();

        Elements trLists1 = el1.select("tr");//抽取其中的tr标签

        //根据tr和td的循环获取 漏洞描述、整改方法、CVSS评分

        for (int i = 0; i < trLists1.size(); i++) {

            Elements tds1 = trLists1.get(i).select("td");

            for (int j = 0; j < tds1.size(); j++) {

                //Elements trLists2 = el1.select("[data-port]");

                for (int u = 0; u < trLists2.size(); u++) {

                    rsas_scan2 = new RSAS_scan2();//防止list类方法添加数据出现最后一行

                    rsas_scan2.setAsset_name(trLists2.get(u).text());

​

              }

            }

        }

    }

最后数据汇总关联处理：

public Object Scan(String path1) throws Excel4JException, IOException {

        List list = new ArrayList<>();

        String path = path1+"/";

        File file = new File(path);

        File[] files = file.listFiles();

        List rsas_total = new ArrayList<>();

        for (File hosts : files) {

                String szContent = openFile(path + hosts.getName());

                try {

                    Document doc = Jsoup.parse(szContent);

                    //获取本IP地址

                    String ip = hosts.getName().replace(".html", "");

                    System.out.println("\n"+ip);

                    //获取2.1 漏洞概况输出

                    List data1 = getlist1(doc, ip);//调用函数

                    //获取2.2 漏洞详情

                    List data2 = getlist2(doc);//调用函数

                    //data1和data2通过漏洞名称关联 遍历匹配输出

                    for (int da1 = 0; da1 < data1.size(); da1++) {

                        for (int da2 = 0; da2 < data2.size(); da2++) {

                                rsas_total = new RSAS_total();

                                rsas_total.setIp(data1.get(da1).getIp());

                                rsas_total.setAsset_point(data1.get(da1).getAsset_point());

                                rsas_total.setAsset_name(data1.get(da1).getAsset_name());

                                rsas_total.setAsset_description(data2.get(da2).getAsset_description());

                            }

                        }

            } catch(Exception e){

                e.printStackTrace();

            }

        }

    }

        System.out.println("------------------Finished-详情查看-绿盟扫描结果.xlsx------------------");

        //Excel无模版导出

        Excel.getInstance().exportObjects(rsas_totals, RSAS_total.class, true, null, true, "绿盟扫描结果.xlsx");

    }

运行效果：

GUI界面化：

Console打印输出：

同时导出到excel

六、总结：

1、数据获取过程中的问题：

A、Java的Jsoup爬去html的选择器在选择的时候，选取的是一个集合，需要设置不同的类去来存储这个集合的不同地方对应的值。有的时候需要多层的数据嵌套循环选择。

B、还有就是数据的父节点和子节点的承继关系，在不同的区域选取，怎么讲数据关联。（对比python爬虫，Java的爬虫比较冗余一些，倒是Java的代码复用率高，尤其是相同模块，可以拆分不同的模块，处理不同的数据，Java的不同的类封装，再嵌套实现，python一个页面写一个。）

2、感悟：

如果是爬虫还是python轻量便捷，如果设计到对模块重复使用，还有重复关联数据交叉较大，建议使用java来实现，Swing的Gui开发也比较便捷。

七、参考文献：

https://www.cnblogs.com/youyoui/p/11065923.html

https://blog.csdn.net/lxacdf/article/details/73200906

https://www.cnblogs.com/shaosks/p/9625878.html

https://blog.csdn.net/qq_39569480/article/details/93980313

​公众号：

thelostworld：

个人知乎​：https://www.zhihu.com/people/fu-wei-43-69/columns

​个人：https://www.jianshu.com/u/bf0e38a8d400