Android实战——jsoup实现网络爬虫，糗事百科项目的起步
Android实战——jsoup实现网络爬虫，爬糗事百科主界面
本篇文章包括以下内容：
- 前言
- jsoup的简介
- jsoup的配置
- jsoup的使用
- 结语
前言
对于Android初学者想要做项目时，最大的烦恼是什么？毫无疑问是数据源的缺乏，当然可以选择第三方接口提供数据，也可以使用网络爬虫获取数据，这样就不用第三方数据作为支持。本来是打算爬一些购物网站的数据，由于他们的反爬做得好，所以没办法爬到数据，只能爬取糗事百科的数据，或许聪明的你会想到可以高仿个糗事百科作为自己的练手项目，利用jsoup是完全没问题的
jsoup的学习需要结合前端的基础知识，爬取前端的数据，如果你学过JS，那么你可以自己完全不用看文档的情况下，使用该框架，因为其设计与JS的使用几乎相同，废话不多说，开车啦
jsoup的简介
使用项目原话：jsoup是一个Java库来处理实际的HTML。它提供了一个非常方便的API来提取和操纵数据,使用最好的DOM,CSS和jquery-like方法
项目地址：https://github.com/jhy/jsoup
中文文档：http://www.open-open.com/jsoup/
jsoup的配置
jsoup的配置很简单，需要在gradle中添加以下依赖
compile 'org.jsoup:jsoup:1.10.2'由于jsoup需要获取网络数据，所以记得添加网络权限
<uses-permission android:name="android.permission.INTERNET" />jsoup的使用
一、获取HTML
jsoup提供两种网络请求，get和post，使用代码也及其简单，我们首先爬取糗事百科首页的HTML。注意：由于是网络请求操作，必须放在子线程中运行，否则4.4以上的版本会报错
① get方式
new Thread() {
@Override
public void run() {
super.run();
try {
Document doc = Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/").get();
Log.e("一、HTML內容", doc.toString());
}
catch{
}
}
}.start();② post方式
Document doc = Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/")
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(3000)
.post();这里对post的参数介绍一下
- connect：设置连接的Url
- data：设置post的键值对数据
- userAgent：设置用户代理（请求头的东西，可以判断你是PC还是Mobile端）
- cookie：设置缓存
- timeout：设置请求超时
- post：发送post请求
既然已经获取HTML的Document对象了，接下来就是分析Html元素的时候了
二、获取Html元素
① 网页端
以糗事百科为例子，我们查看糗事百科首页的数据对应的Html元素是什么，我们可以通过F12，找到对应的Html元素
可以看到一个a标签就是文章详情的内容，我们可以通过这个a标签的class=”contentHerf”作为唯一标识来获取该链接，获取之后，继续爬取详情页的文章详细内容，所以我们通过爬取的a标签的链接进入该文章的详情页
当然也有一些详情页有图片的，我们可以通过图片的的class=”thumb”作为唯一标识来爬取图片里面的链接
由于糗事百科采用分页加载的情况，我们需要在爬取完第一张内容后，接着爬取第二章的内容，下面是糗事百科的分页Url的规则，很简单，我们可以通过一个循环就可以了
http://www.qiushibaike.com/8hr/page/1/
http://www.qiushibaike.com/8hr/page/2/
http://www.qiushibaike.com/8hr/page/3/
http://www.qiushibaike.com/8hr/page/4/
http://www.qiushibaike.com/8hr/page/5/好了，分析完网页端之后，就应该在我们的Android端采用代码，将上面的步骤实现出来了
② Android端
通过上面的分析后，可以总结我们需要实现的步骤有：
- 爬取主页的详情页url
- 进入详情页爬取内容和图片
- 循环爬取第二页、第三页…
聪明的你，可能会想到第四步第五步…
- 封装Bean对象
- 使用ListView填充内容
- 爬取日期、作者、评论等内容完善项目
1） 爬取主页的详情页url
爬取主页的url可以通过a标签的class=”contentHerf”，我们通过jsoup的属性选择器来实现，这里会用到css知识，jsoup中文文档也有很详细的介绍
Document doc = Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/").get();
Elements els = doc.select("a.contentHerf");
Log.e("一、HTML內容", els.toString());
for (int i = 0; i < els.size(); i++) {
Element el = els.get(i);
Log.e("1.标题", el.text());
String href = el.attr("href");
Log.e("2.链接", href);
}这里对使用到的对象进行介绍
- Document：相当于一个Html文件
- Elements：相当于一个标签的集合
- Element：相当于一个标签
这里要注意Elements与Element的toString()方法和text()方法
- toString()：打印出来的是标签的Html内容
- text()：打印出来的是标签对应的文本内容
css选择器
- select()：获取符合属性选择器要求的标签内容
- 或getElementById：获取符合ID选择器要求的标签内容
- 或getElementsByTag：获取符合Tag选择器要求的标签内容
2） 进入详情页爬取内容和图片
这段代码也相当简单，这里就不多解释了
Document doc = Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/").get();
Elements els = doc.select("a.contentHerf");
Log.e("一、HTML內容", els.toString());
for (int i = 0; i < els.size(); i++) {
Element el = els.get(i);
Log.e("1.标题", el.text());
String href = el.attr("href");
Log.e("2.链接", href);
//获取详情页内容
Document doc_detail = Jsoup.connect("http://www.qiushibaike.com" + href).get();
Elements els_detail = doc_detail.select(".content");
Log.e("3.內容", els_detail.text());
//获取图片
Elements els_pic = doc_detail.select(".thumb img[src$=jpg]");
if (!els_pic.isEmpty()) {
String pic = els_pic.attr("src");
Log.e("4.图片连接", "" + pic);
} else {
Log.e("4.图片连接", "无");
}
}3） 循环爬取第二页、第三页…
这里只需要嵌套一个循环进去就可以了，完整代码如下
public class JsoupActivity extends AppCompatActivity {
@Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_jsoup);
new Thread() {
@Override
public void run() {
super.run();
try {
for (int k = 0; k < 5; k++) {
Document doc = Jsoup.connect("http://www.qiushibaike.com/8hr/page/" + k + "/").get();
Elements els = doc.select("a.contentHerf");
Log.e("一、HTML內容", els.toString());
for (int i = 0; i < els.size(); i++) {
Element el = els.get(i);
Log.e("1.标题", el.text());
String href = el.attr("href");
Log.e("2.链接", href);
Document doc_detail = Jsoup.connect("http://www.qiushibaike.com" + href).get();
Elements els_detail = doc_detail.select(".content");
Log.e("3.內容", els_detail.text());
Elements els_pic = doc_detail.select(".thumb img[src$=jpg]");
if (!els_pic.isEmpty()) {
String pic = els_pic.attr("src");
Log.e("4.图片连接", "" + pic);
} else {
Log.e("4.图片连接", "无");
}
}
}
} catch (IOException e) {
e.printStackTrace();
}
}
}.start();
}
}4） 当然，我们爬取到的内容之后，毫无疑问就是要封装成对象，通过ArrayList存储起来，这样你的数据源就解决了
public class Xiaohua {
private String content;
private String title;
private String url;
private String userName;
private String date;
}5） 后面爬取作者、日期、评论等信息就由你们去练习了，然后界面一仿，项目就出来了
三、爬取结果
02-12 08:16:55.010 18074-18110/com.handsome.boke2 E/1.标题: 小时候有个常去楼主家的阿姨总是把楼主叫成楼主哥哥的名字，终于有一天，楼主忍无可忍，大骂了她一顿：“你这个人是不是白痴啊？”她暴怒了，立马告诉了楼主的爸爸，楼主永远也忘不了哥哥被揍时眼睛里的无辜与绝望...
02-12 08:16:55.011 18074-18110/com.handsome.boke2 E/2.链接: /article/118543240
02-12 08:16:55.329 18074-18110/com.handsome.boke2 E/3.內容: 小时候有个常去楼主家的阿姨总是把楼主叫成楼主哥哥的名字，终于有一天，楼主忍无可忍，大骂了她一顿：“你这个人是不是白痴啊？”她暴怒了，立马告诉了楼主的爸爸，楼主永远也忘不了哥哥被揍时眼睛里的无辜与绝望...
02-12 08:16:55.331 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:55.881 18074-18110/com.handsome.boke2 E/1.标题: 一朋友，给暗恋许久的女神，匿名网购了一大堆的礼物，可把女神高兴的，在朋友圈发说说，这是谁买的。告诉我，我要做他女朋友！ 朋友乐坏了，于是激动的说，是我，是我！ 那女神愣了愣，然后把礼物全部退给了他……
02-12 08:16:55.881 18074-18110/com.handsome.boke2 E/2.链接: /article/118542673
02-12 08:16:56.104 18074-18110/com.handsome.boke2 E/3.內容: 一朋友，给暗恋许久的女神，匿名网购了一大堆的礼物，可把女神高兴的，在朋友圈发说说，这是谁买的。告诉我，我要做他女朋友！ 朋友乐坏了，于是激动的说，是我，是我！ 那女神愣了愣，然后把礼物全部退给了他……
02-12 08:16:56.106 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:56.106 18074-18110/com.handsome.boke2 E/1.标题: LZ在非洲曾经遇到过抢劫，有人拿枪指着我们，愣了一下热血当头没当回事，继续反抗，后来情急之下，他射了一枪，结果发现那是玩具枪，特么的，我们抓起扫把就把那个劫匪揍了一顿。事后想想，又害怕又想笑。
02-12 08:16:56.106 18074-18110/com.handsome.boke2 E/2.链接: /article/118542683
02-12 08:16:56.608 18074-18110/com.handsome.boke2 E/3.內容: LZ在非洲曾经遇到过抢劫，有人拿枪指着我们，愣了一下热血当头没当回事，继续反抗，后来情急之下，他射了一枪，结果发现那是玩具枪，特么的，我们抓起扫把就把那个劫匪揍了一顿。事后想想，又害怕又想笑。
02-12 08:16:56.609 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:56.609 18074-18110/com.handsome.boke2 E/1.标题: 今年换了工作，今天第一天上班，老妈早早起床准备早餐，等我吃完早餐准备出门的时候，老妈塞给我一个红包说，新年第一天上班图吉利。当时急着上班也没有细看就放在口袋里。等上班空闲的时候，掏出红包，发现红包里只有一张纸条，上面写着四个大字:好好工作……
02-12 08:16:56.609 18074-18110/com.handsome.boke2 E/2.链接: /article/118542647
02-12 08:16:57.140 18074-18110/com.handsome.boke2 E/3.內容: 今年换了工作，今天第一天上班，老妈早早起床准备早餐，等我吃完早餐准备出门的时候，老妈塞给我一个红包说，新年第一天上班图吉利。当时急着上班也没有细看就放在口袋里。等上班空闲的时候，掏出红包，发现红包里只有一张纸条，上面写着四个大字:好好工作……
02-12 08:16:57.142 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:57.142 18074-18110/com.handsome.boke2 E/1.标题: 腰疼，趴在床上，让大侄子来给我踩踩后背，踩得我挺舒服，没忍住，放个响屁，小家伙愣了一下，然后狠狠 踹 我 屁 股“让你蹦我！让你蹦我！”。。。。
02-12 08:16:57.142 18074-18110/com.handsome.boke2 E/2.链接: /article/118542708
02-12 08:16:57.379 18074-18110/com.handsome.boke2 E/3.內容: 腰疼，趴在床上，让大侄子来给我踩踩后背，踩得我挺舒服，没忍住，放个响屁，小家伙愣了一下，然后狠狠 踹 我 屁 股“让你蹦我！让你蹦我！”。。。。
02-12 08:16:57.382 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:57.382 18074-18110/com.handsome.boke2 E/1.标题: 闺蜜的妈妈非常迷信，自从闺蜜放假回家陪妈妈去了几次麻将馆后，她妈每次都能赢钱，所以她妈这一个寒假只要去打麻将，都要拉着她去，直到昨天闺蜜开学，她妈妈送她走得时候，眼泪汪汪的对闺蜜说:宝贝，这是我第一次不舍的你走~
02-12 08:16:57.382 18074-18110/com.handsome.boke2 E/2.链接: /article/118542657
02-12 08:16:57.881 18074-18110/com.handsome.boke2 E/3.內容: 闺蜜的妈妈非常迷信，自从闺蜜放假回家陪妈妈去了几次麻将馆后，她妈每次都能赢钱，所以她妈这一个寒假只要去打麻将，都要拉着她去，直到昨天闺蜜开学，她妈妈送她走得时候，眼泪汪汪的对闺蜜说:宝贝，这是我第一次不舍的你走~
02-12 08:16:57.882 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:57.882 18074-18110/com.handsome.boke2 E/1.标题: 早上起床后发现阳台的地上到处是泡沫水，花盆里也有很多泡沫，而且地上躺着洗衣液的空瓶子，一下便明白了，转头去问熊孩子，熊孩子若无其事的说我只是给花洗洗头而已嘛！
02-12 08:16:57.882 18074-18110/com.handsome.boke2 E/2.链接: /article/118542709
02-12 08:16:58.391 18074-18110/com.handsome.boke2 E/3.內容: 早上起床后发现阳台的地上到处是泡沫水，花盆里也有很多泡沫，而且地上躺着洗衣液的空瓶子，一下便明白了，转头去问熊孩子，熊孩子若无其事的说我只是给花洗洗头而已嘛！
02-12 08:16:58.393 18074-18110/com.handsome.boke2 E/4.图片连接: 无结语
网络爬虫虽然带来了很多数据源的问题，但很多网站都已经通过一些技术实现反爬虫的效果了，所以大家还是以学习jsoup为主，不管是Android端还是Web端jsoup的用处很广泛，所以掌握起来是必须的，听说豆瓣和知乎都可以爬出来哦，想做项目的同学可以去试试哦
代码下载