爬虫之Jsoup

Jsoup简介
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。官网：https://jsoup.org/

主要功能

1. 从一个URL，文件或字符串中解析HTML

2. 使用DOM或CSS选择器来查找、取出数据使用DOM或CSS选择器来查找、取出数据

3. 可操作HTML元素、属性、文本可操作HTML元素、属性、文本

   注意：jsoup是基于MIT协议发布的，可放心使用于商业项目。

Maven依赖关系

        
            org.jsoup
            jsoup
            1.11.3
        

jsoup api
6个包提供用于开发jsoup应用程序的类和接口。

• org.jsoup
• org.jsoup.examples
• org.jsoup.helper
• org.jsoup.nodes
• org.jsoup.parser
• org.jsoup.safety
• org.jsoup.salect

主要类：

• Jsoup 类提供了连接，清理和解析HTML文档的方法
• Document 获取HTML文档
• Element 获取、操作HTML节点

简单学习

1. 三种加载HTML的方法

    @Test
    public void test1() throws IOException {
        //从URL加载HTML
        Document document = Jsoup.connect("http://www.baidu.com").get();
        String title = document.title();
        //获取html中的标题
        System.out.println("title :"+title);

        //从字符串加载HTML
        String html = ""
                + "
Parsed HTML into a doc.
";
        Document doc = Jsoup.parse(html);
        title = doc.title();
        System.out.println("title :"+title);

        //从文件加载HTML
        doc = Jsoup.parse(new File("F:\\jsoup\\html\\index.html"),"utf-8");
        title = doc.title();
        System.out.println("title :"+title);
    }

2. 获取html中的head，body,url等信息

    @Test
    public void test2() throws IOException {
        Document document = Jsoup.connect("http://www.baidu.com").get();
        String title = document.title();

        System.out.println("title :"+title);
        //获取html中的head
        System.out.println(document.head());
        //获取html中的body
        //System.out.println(document.body());

        //获取HTML页面中的所有链接
        Elements links = document.select("a[href]");
        for (Element link : links){
            System.out.println("link : "+ link.attr("href"));
            System.out.println("text :"+ link.text());
        }
    }

3. 获取URL的元信息

    @Test
    public void test3() throws IOException {
        Document document = Jsoup.connect("https://passport.lagou.com").get();

        System.out.println(document.head());
        //获取URL的元信息
        String description = document.select("meta[name=description]").get(0).attr("content");
        System.out.println("Meta description : " + description);

        String keywords = document.select("meta[name=keywords]").first().attr("content");
        System.out.println("Meta keyword : " + keywords);
    }

4. 根据class名称获取表单

    @Test
    public void test4() throws IOException {
        Document document = Jsoup.connect("https://passport.lagou.com/login/login.html?signature=8ECBCDF2B86061432B425A0B94FC863B&service=https%253A%252F%252Fwww.lagou.com%252F&action=login&serviceId=lagou&ts=1547711303033").get();
        //获取拉勾网登入页面的body
        //System.out.println(document.body());
        //根据class名称获取表单
        Elements formElement = document.getElementsByClass("form_body");
        System.out.println(formElement.html());
        //获取URL的元信息
        for (Element inputElement : formElement) {
            String placeholder = inputElement.getElementsByTag("input").attr("placeholder");
            System.out.println(placeholder);
        }
    }

5. 提取并打印表单参数

    @Test
    public void test5() throws IOException {
        Document document = Jsoup.parse(new File("F:\\jsoup\\html\\login.html"),"utf-8");
        Element loginform = document.getElementById("registerform");

        Elements inputElements = loginform.getElementsByTag("input");
        for (Element inputElement : inputElements) {
            String key = inputElement.attr("name");
            String value = inputElement.attr("value");
            System.out.println("Param name: "+key+" -- Param value: "+value);
        }
    }

6. 设置元素的html内容

    @Test
    public void test6() throws IOException {
        Document document = Jsoup.parse(new File("F:\\jsoup\\html\\index.html"),"utf-8");
        System.out.println(document.body());// 

        System.out.println("*************");
        Element div = document.select("div").first();
        div.html("
Hello
"); // 
Hello
        div.prepend("
Fiest
"); //
Fiest
Hello
        div.append("
Last
"); //
Fiest
Hello
Last
        System.out.println(document.body());
        System.out.println("*************");
        System.out.println(div.text());

        System.out.println("*************");
        //对元素包裹一个外部HTML内容
        div.wrap("
"); //
Fiest
Hello
Last
        System.out.println(document.body());

    }

7. 设置元素的文本内容

    @Test
    public void test7() throws IOException {
        Document document = Jsoup.parse(new File("F:\\jsoup\\html\\index.html"),"utf-8");
        System.out.println(document.body());// 

        System.out.println("*************");
        Element div = document.select("div").first();
        div.text("7 > 8 "); // 
7 > 8 
        div.prepend("Fiest "); //
Fiest 7 > 8
        div.append("Last "); //
Fiest 7 > 8 Last
        System.out.println(document.body());
        System.out.println("*************");
        System.out.println(div.text());
    }