zoukankan      html  css  js  c++  java

  • Jsoup网页内容抓取分析

         在Java 程序在解析HTML 文档时，大家应该晓得htmlparser 这个开源项目，我也是使用过，不过这个程序到了2006年就没有更新了。由于我的基础较差，对于扩展自定义的标签还是不太懂，还是有超时问题困扰，偶然的机会中发现有jsoup，而且更新到了1.72版，使用起来还是很容易上手的。下面写些使用心得：

            jsoup is a Java library for working with real-world HTML. It provides a very convenient API for extracting and manipulating data, using the best of DOM, CSS, and jquery-like methods.

           jsuop是一款java的html解析器，提供一套非常省力的API，通过dom模型css和类似于jquery的方式来获取和操作数据。

          功能：1.解析一个Html文档，2.解析一个body片段

           

    Java代码   收藏代码
    1. String html = "<html><head><title>First parse</title></head>"  
    2.   + "<body><p>Parsed HTML into a doc.</p></body></html>";  
    3. Document doc = Jsoup.parse(html);//分析文档，使用doc.toString()可以转为文本  
    4. Element body=doc.body();//获取body片段，使用body.toString()可以转为文本  

         

          获取方式：1.从本地文件加载   2.根据url地址获取

     

         

    Java代码   收藏代码
    1. /**使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法 
    2.  *其中baseUri参数用于解决文件中URLs是相对路径的问题。 
    3.  *如果不需要可以传入一个空的字符串。 
    4.  */  
    5. File input = new File("/tmp/input.html");  
    6. Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");  

      

    Java代码   收藏代码
    1. /** 
    2.  *根据url直接获取内容，可以加入超时，get方法不行，就用post方法 
    3.  *我在实际应用中，出现404,405,504等错误信息 
    4.  *将get改为post就可以，或者反过来改 
    5.  *如果等以后弄明白了，再来解释清楚 
    6.  */  
    7. Document doc1 = Jsoup.connect("http://www.hao123.com/").get();  
    8. String title = doc1.title(); //获取网页的标题  
    9. String content=doc1.toString();//将网页转为文本  
    10.   
    11. Document doc2 = Jsoup.connect("http://www.hao123.com")  
    12.   .data("query", "Java")//请求参数  
    13.   .userAgent("Mozilla")//设置urer-agent  
    14.   .cookie("auth", "token")//设置cookie  
    15.   .timeout(50000)//设置连接超时  
    16.   .post();//或者改为get  

    17. 经过我的测试使用，jsoup分析网页结构和内容的功能远远强大于HtmlParser,无论是获取整个页面的文本，还是分析特定内容的网页结构，都是十分的方便。

       

              附上链接：jsoup官网：http://jsoup.org/ ，中文jsoup：http://www.open-open.com/jsoup/

           下面写些我的使用记录，希望大家如果能从我的方法中得到启发，鉴于本人从事开发工作不久，内容可能写的不是很好。

       

           jsoup数据获取有两大方法：1.通过分析dom模型的网页标签和元素，2.select元素选择器，类似jquery方式（功能很强大，还支持正则表达式）。网页tag标签有body，div，table，tr，td，a，等等。元素的属性有，href，title，width，height，color等等，元素属性的值就是，例如：href=“www.baidu.com”, 值就是www.baidu.com 。width=“98%” 值就是98%

           

            下面就以分析http://www.iteye.com首页的每日资讯为例，抓取每日资讯的标题和url地址，详细写出分析步骤：

       

             1.用chrome浏览器的元素审查，分析页面的结构，得到每日资讯是div class=<main_left>层里面

       

           2.写程序分析，首先根据url获取div文本，再来根据文本对内容进行分析

       

      Java代码   收藏代码
      1. /** 
      2.  * 根据jsoup方法获取htmlContent 
      3.         * 加入简单的时间记录 
      4.  * @throws IOException  
      5.  */  
      6. public static String getContentByJsoup(String url){  
      7.     String content="";  
      8.     try {  
      9.         System.out.println("time=====start");  
      10.         Date startdate=new Date();  
      11.         Document doc=Jsoup.connect(url)  
      12.         .data("jquery", "java")  
      13.         .userAgent("Mozilla")  
      14.         .cookie("auth", "token")  
      15.         .timeout(50000)  
      16.         .get();  
      17.         Date enddate=new Date();  
      18.         Long time=enddate.getTime()-startdate.getTime();  
      19.         System.out.println("使用Jsoup耗时=="+time);  
      20.         System.out.println("time=====end");  
      21.         content=doc.toString();//获取iteye网站的源码html内容  
      22.         System.out.println(doc.title());//获取iteye网站的标题  
      23.     } catch (IOException e) {  
      24.         e.printStackTrace();  
      25.     }  
      26.     System.out.println(content);   
      27.     return content;  
      28. }  

       

           3. 根据整个每日资讯所在的div层，获取那段内容（精确获取）

       

      Java代码   收藏代码
      1.        /** 
      2.  * 使用jsoup来对文档分析 
      3.         * 获取目标内容所在的目标层 
      4.         * 这个目标层可以是div，table，tr等等 
      5.  */  
      6. public static String getDivContentByJsoup(String content){  
      7.     String divContent="";  
      8.     Document doc=Jsoup.parse(content);  
      9.     Elements divs=doc.getElementsByClass("main_left");  
      10.     divContent=divs.toString();  
      11.       //System.out.println("div==="+divContent);  
      12.     return divContent;  
      13. }  

          

           4.根据获取的目标层得到你所要的内容（title，url地址...等等）

       

            

      Java代码   收藏代码
      1. /** 
      2.      * 使用jsoup分析divContent 
      3.      * 1.获取链接 2.获取url地址（绝对路径） 
      4.      */  
      5.     public static void getLinksByJsoup(String divContent){  
      6.         String abs="http://www.iteye.com/";  
      7.         Document doc=Jsoup.parse(divContent,abs);  
      8.         Elements linkStrs=doc.getElementsByTag("li");  
      9.         System.out.println("链接==="+linkStrs.size());  
      10.         for(Element linkStr:linkStrs){  
      11.             String url=linkStr.getElementsByTag("a").attr("abs:href");  
      12.             String title=linkStr.getElementsByTag("a").text();  
      13.             System.out.println("标题:"+title+" url:"+url);  
      14.         }  
      15.     }  

       

           5.加入main方法里面执行测试

       

      Java代码   收藏代码
      1. /** 
      2.      * @method 测试获取内容程序 
      3.      */  
      4.     public static void main(String[] args) throws IOException {  
      5.           
      6.         /** 
      7.          * 执行分析程序 
      8.          */  
      9.         String url="http://www.iteye.com/";  
      10.         String HtmlContent=getContentByJsoup(url);  
      11.         String divContent=getDivContentByJsoup(HtmlContent);  
      12.         getLinksByJsoup(divContent);  
      13.     }  

       

           6.附上结束语：jsoup功能很好很强大，附上的只是简单的使用方法，还有很多需要完善的内容，我其实使用也不到几天的时间。还有就是select功能还是很好用的，具体参考官方文档，写的非常的通俗易懂


      感兴趣的也可以试试htmlcleaner+xpath的组合
  • 相关阅读:
    ribbon--eureka注册中心消费者
    eureka注册中心
    spring cloud简介
    Quartz定时任务
    ThreadLocal
    分布式单点登录SSO
    dubbo框架
    注册中心
    centos安装zookeeper及搭建集群
    7.19 基础数据结构选讲
  • 原文地址：https://www.cnblogs.com/jiangu66/p/3003844.html
Copyright © 2011-2022 走看看