利用maven实现有关Jsoup的简单爬虫

一、Jsoup的简介

        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

二、我们可以利用Jsoup做什么

        2.1从URL，文件或字符串中刮取并解析HTML查找和提取数据，

        2.2使用DOM遍历或CSS选择器操纵HTML元素，属性和文本

        2.3从而使我们输出我们想要的整洁文本

三、利用Jsoup爬取某东示例

        可以从图中看到，成功爬取某东的女装热门销量从高到低的标题，从而可以分析到销量高（或者是综合排序）在前列的标题名称。从而可以剖析出热门商品的命名规范。

四、Jsoup用法

4.1先创建maven工程，在maven工程上注入依赖

 

4.2注入依赖后需要导入依赖，否则在程序中使用Jsoup会全部报错。

4.3利用JSP的知识找出目标元素

 

如在某东界面我们发现， 控制目标页面的ID为"plist"，则我们使用

getElementById("plist");方法去获取到他的ID

接着获取目标标题，可以由上图分析得，标题是由标签所控制，因此我们需要用到

getElementsByTag("em");去捕捉到em的部分

最后循环输出他的部分即可。

五、总结

Jsoup只能应用于简单的页面捕捉，在实际开发中许多网站采用Ajax技术等使得模块在动态变化抑或是有反爬虫技术，因此本技术有局限性。熟悉前端jsp技术的同学应该会游刃有余。

最后附上所有代码