1. 网络爬虫概述
1.1. 什么是爬虫
简单的说，网络爬虫就是使用程序模拟人浏览网页的行为，并把看到的数据采集并整理下来。 从功能上讲，爬虫程序一般分为三个步骤，采集，处理，存储。爬虫从一个或若干初始网页的URL开始，获得原始页面数据；针对页面内容进行分析并筛选页面的有效数据；把数据整理并持久化。
1.2. 爬虫的作用
搜索引擎：爬虫自动地采集互联网中的信息，采集回来后进行相应的存储或处理，在需要检索某些信息的时候，只需在采集回来的信息中进行检索，即实现了私人的搜索引擎。当然还需要有其他技术的支持，爬虫只是解决原始数据问题。
数据对比：例如很多商品在各大电商网站的平台上都有出售。可能每个平台的零售价都不一样，那么就可以获取每个电商网站的商品售价数据。类似的应用场景还非常多，例如收集招聘信息，收集音视频网站即将下架的影视作品。
写在最后：本文仅仅致力于技术方面的研究。对于爬虫的应用需要注意相关的法律法规。
2. 程序入门
2.1. 爬取数据的原理
以前是使用浏览器获取页面数据，使用爬虫就是模拟人打开浏览器访问服务器的过程。程序获取数据以后对页面数据进行分析并解析存储。
2.2. 获取页面数据
对于数据的获取此处建议使用HttpClient技术，它实现了所有 HTTP 的方法（GET,POST,PUT,HEAD 等）、支持自动转向、支持 HTTPS 协议、支持代理服务器、支持Cookie。
相关依赖
|
org.apache.httpcomponents
httpclient
4.5.3
|
获取数据：
|
public static void main(String[] args) throws Exception {
// 创建HttpClient
CloseableHttpClient httpClient = HttpClients.createDefault();
// 声明HttpGet请求对象
// http://www.oschina.net/p/httpclient
HttpGet httpGet = new HttpGet("https://www.zhipin.com/job_detail/43d2cafabb881ee83nd90ty1E1M~.html");
// 设置请求头包含User-Agent
httpGet.setHeader("User-Agent", "");
// 使用HttpClient发请求,会返回response
CloseableHttpResponse response = httpClient.execute(httpGet);
// 判断响应状态码是否是200
if (response.getStatusLine().getStatusCode() == 200) {
// 判断是否有返回数据
if (response.getEntity() != null) {
// 如果是200，则请求成功，解析返回的数据
String html = EntityUtils.toString(response.getEntity(), "UTF-8");
// 把结果输出到文件
// 第一个参数是输出的文件，第二个参数是输出的内容，第二个参数是编码
FileUtils.writeStringToFile(new File("C:/Users/tree/Desktop/test.html"), html, "UTF-8");
// 解析页面打印文档
System.out.println(
StringUtils.substringBetween(html,"
}
}
}
|
3. Jsoup解析
3.1. 什么是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。
3.2. 常用的API
参考文档：https://www.open-open.com/jsoup/dom-navigation.htm
3.2.1. 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)
3.2.2. 元素数据
· attr(String key)获取属性attr(String key, String value)设置属性
· attributes()获取所有属性
· id(), [className()](https://www.itsource.cn/web/news/2771.html#className() "Gets the literal value of this element's ") and classNames()
· text()获取文本内容text(String value) 设置文本内容
· html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
· outerHtml()获取元素外HTML内容
· data()获取数据内容（例如：script和style标签)
· tag() and tagName()
3.2.3. 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)
3.3. 解析数据
从刚刚下载的test.html中解析数据
|
public static void main(String[] args) throws Exception {
Document doc = Jsoup.parse(new File("C:/Users/tree/Desktop/test.html"), "UTF-8");
// 使用dom方式获取数据
Element element = doc.getElementsByClass("job-sec").child(0);
System.out.println(element.text());
}
|