java爬取app_Java实现爬虫给App提供数据（Jsoup 网络爬虫）
需求 ##
近期基于 Material Design 重构了自己的新闻 App，数据来源是个问题。
有前人分析了知乎日报、凤凰新闻等 API，依据相应的 URL 能够获取新闻的 JSON 数据。为了锻炼写代码能力，笔者打算爬虫新闻页面，自己获取数据构建 API。
效果图
下图是原站点的页面
爬虫获取了数据，展示到 APP 手机端
爬虫思路
Created with Raphaël 2.1.0開始基于Get请求获取URL对于的网页Html利用Jsoup把Html解析为Document利用Dom的getElementsById等方法获取标题、公布时间、内容等依据标题、公布时间、内容构建javabean给APP使用结束
关于 App 的实现过程能够參看这几篇文章，本文主要解说一下怎样爬虫数据。
Jsoup 简单介绍
Jsoup 是一个 Java 的开源HTML解析器，可直接解析某个URL地址、HTML文本内容。
Jsoup主要有以下功能：
- 从一个URL，文件或字符串中解析HTML。
- 使用DOM或CSS选择器来查找、取出数据；
- 对HTML元素、属性、文本进行操作；
- 清除不受信任的HTML (来防止XSS攻击)
爬虫过程
Get 请求获取网页 HTML
新闻网页Html的DOM树例如以下所看到的：
以下这段代码依据指定的 url，用代码获取get 请求返回的 html 源码。
public static String doGet(String urlStr) throws CommonException {
URL url;
String html = "";
try {
url = new URL(urlStr);
HttpURLConnection connection = (HttpURLConnection) url.openConnection();
connection.setRequestMethod("GET");
connection.setConnectTimeout(5000);
connection.setDoInput(true);
connection.setDoOutput(true);
if (connection.getResponseCode() == 200) {
InputStream in = connection.getInputStream();
html = StreamTool.inToStringByByte(in);
} else {
throw new CommonException("新闻服务器返回值不为200");
}
} catch (Exception e) {
e.printStackTrace();
throw new CommonException("get请求失败");
}
return html;
}
InputStream in = connection.getInputStream();将得到输入流转化为字符串是个普遍需求，我们将其抽象出来，写一个工具方法。
public class StreamTool {
public static String inToStringByByte(InputStream in) throws Exception {
ByteArrayOutputStream outStr = new ByteArrayOutputStream();
byte[] buffer = new byte[1024];
int len = 0;
StringBuilder content = new StringBuilder();
while ((len = in.read(buffer)) != -1) {
content.append(new String(buffer, 0, len, "UTF-8"));
}
outStr.close();
return content.toString();
}
}
解析 HTML 获取标题
利用 google 浏览器的审查元素，找出新闻标题对于的html 代码：
关于举办《经典音乐作品赞赏与人文审美》讲座的通知
我们须要从上面的 HTML 中找出id="article_title"的部分，使用 getElementById(String id) 方法
String htmlStr = HttpTool.doGet(urlStr);
// 将获取的网页 HTML 源码转化为 Document
Document doc = Jsoup.parse(htmlStr);
Element articleEle = doc.getElementById("article");
// 标题
Element titleEle = articleEle.getElementById("article_title");
String titleStr = titleEle.text();
获取公布日期、信息来源
相同找出对于的 HTML 代码
2015-05-28
来源:
浏览次数: 477
思路也和上面相似。使用 getElementById(String id) 方法找出id="article_detail"为Element。再利用getElementsByTag获取span 部分。由于一共同拥有3个 ... ，所以返回的是Elements而不是Element。
// article_detail包含了 2016-01-15 来源: 浏览次数:177
Element detailEle = articleEle.getElementById("article_detail");
Elements details = detailEle.getElementsByTag("span");
// 公布时间
String dateStr = details.get(0).text();
// 新闻来源
String sourceStr = details.get(1).text();
解析浏览次数
假设打印出上面的details.get(2).text()，仅仅会得到
浏览次数:
没有浏览次数？为什么呢？
由于浏览次数是JavaScript 渲染出来的。 Jsoup爬虫可能仅仅提取HTML内容，得不到动态渲染出的数据。
解决方法有两种
在爬虫的时候，内置一个浏览器内核，运行js渲染页面后。再抓取。
所以分析JS请求，找到相应数据的请求url
假设你訪问上面的 urlhttp://see.xidian.edu.cn/index.php/news/click/id/7428。会得到以下的结果
document.write(478)
这个478就是我们须要的浏览次数。我们对上面的url做get 请求，得到返回的字符串。利用正则找出当中的数字。
// 訪问这个新闻页面。浏览次数会+1，次数是 JS 渲染的
String jsStr = HttpTool.doGet(COUNT_BASE_URL + currentPage);
int readTimes = Integer.parseInt(jsStr.replaceAll("\\D+", ""));
// 或者使用以下这个正则方法
// String readTimesStr = jsStr.replaceAll("[^0-9]", "");
解析新闻内容
笔者本来是获取新闻内容纯文字的形式，但后来发现 Android 端也能够显示 CSS 格式，所以后来内容保留了 HTML 格式。
Element contentEle = articleEle.getElementById("article_content");
// 新闻主体内容
String contentStr = contentEle.toString();
// 假设用 text()方法。新闻主体内容的 html 标签会丢失
// 为了在 Android 上用 WebView 显示 html，用toString()
// String contentStr = contentEle.text();
解析图片 Url
注意一个网页上大大小小的图片非常多，为了仅仅获取新闻正文中的内容。我们最好首先定位到新闻内容的Element。然后再利用getElementsByTag(“img”)筛选出图片。
Element contentEle = articleEle.getElementById("article_content");
// 新闻主体内容
String contentStr = contentEle.toString();
// 假设用 text()方法，新闻主体内容的 html 标签会丢失
// 为了在 Android 上用 WebView 显示 html，用toString()
// String contentStr = contentEle.text();
Elements images = contentEle.getElementsByTag("img");
String[] imageUrls = new String[images.size()];
for (int i = 0; i < imageUrls.length; i++) {
imageUrls[i] = images.get(i).attr("src");
}
新闻实体类 JavaBean
上面获取了新闻的标题、公布日期、阅读次数、新闻内容等等，我们自然须要构造一个 javabean。把获取的内容封装进实体类中。
public class ArticleItem {
private int index;
private String[] imageUrls;
private String title;
private String publishDate;
private String source;
private int readTimes;
private String body;
public ArticleItem(int index, String[] imageUrls, String title, String publishDate, String source, int readTimes,
String body) {
this.index = index;
this.imageUrls = imageUrls;
this.title = title;
this.publishDate = publishDate;
this.source = source;
this.readTimes = readTimes;
this.body = body;
}
@Override
public String toString() {
return "ArticleItem [index=" + index + ",\n imageUrls=" + Arrays.toString(imageUrls) + ",\n title=" + title
+ ",\n publishDate=" + publishDate + ",\n source=" + source + ",\n readTimes=" + readTimes + ",\n body=" + body
+ "]";
}
}
測试
public static ArticleItem getNewsItem(int currentPage) throws CommonException {
// 依据后缀的数字，拼接新闻 url
String urlStr = ARTICLE_BASE_URL + currentPage + ".html";
String htmlStr = HttpTool.doGet(urlStr);
Document doc = Jsoup.parse(htmlStr);
Element articleEle = doc.getElementById("article");
// 标题
Element titleEle = articleEle.getElementById("article_title");
String titleStr = titleEle.text();
// article_detail包含了 2016-01-15 来源: 浏览次数:177
Element detailEle = articleEle.getElementById("article_detail");
Elements details = detailEle.getElementsByTag("span");
// 公布时间
String dateStr = details.get(0).text();
// 新闻来源
String sourceStr = details.get(1).text();
// 訪问这个新闻页面。浏览次数会+1，次数是 JS 渲染的
String jsStr = HttpTool.doGet(COUNT_BASE_URL + currentPage);
int readTimes = Integer.parseInt(jsStr.replaceAll("\\D+", ""));
// 或者使用以下这个正则方法
// String readTimesStr = jsStr.replaceAll("[^0-9]", "");
Element contentEle = articleEle.getElementById("article_content");
// 新闻主体内容
String contentStr = contentEle.toString();
// 假设用 text()方法，新闻主体内容的 html 标签会丢失
// 为了在 Android 上用 WebView 显示 html。用toString()
// String contentStr = contentEle.text();
Elements images = contentEle.getElementsByTag("img");
String[] imageUrls = new String[images.size()];
for (int i = 0; i < imageUrls.length; i++) {
imageUrls[i] = images.get(i).attr("src");
}
return new ArticleItem(currentPage, imageUrls, titleStr, dateStr, sourceStr, readTimes, contentStr);
}
public static void main(String[] args) throws CommonException {
System.out.println(getNewsItem(7928));
}
输出信息
ArticleItem [index=7928,
imageUrls=[/uploads/image/20160114/20160114225911_34428.png],
title=电院2014级开展“让诚信之花开遍冬日校园”教育活动,
publishDate=2016-01-14,
source=来源: 电影新闻网,
readTimes=200,
body=
西电新闻网讯 (通讯员 丁彤 王朱丹...)
展望
本文解说了怎样实现Jsoup 网络爬虫。假设文章对您有帮助，感谢捐赠。
近期用 Material Design 重构了自己的新闻 App，新闻数据是利用 Jsoup 实现的。
第1版爬虫是在手机端实现的(我承认这设计非常不好，既费流量又添加client负担)，后来在新浪云上实现了一个简单的 JSP 。过滤了原网页的图片、一级栏目等，仅仅返回新闻标题、阅读次数、新闻内容等等。
后期的打算是把爬虫这步移到新浪云上，返回格式化的 JSON 数据给client使用。
可能的话，图片使用七牛CDN(Content Delivery Network 内容分发网络)。在云上利用 Mysql 数据库缓存新闻信息。
參考文章