【解析HTML】HTML解析，网络爬虫

一、概述

  曾几时，我还是一个屌丝，一个在校大学生，高中的时候老师就对我们撒了一个慌，说...。人们称它为一个善意的谎言，我却傻傻信以为正。高三的时候努力拼搏了一段时间，可惜命运总是爱作弄人，高考考到了一个二流的大学，从此我告别了家乡，踏上了大学校门，来到了一个鸟不生蛋但会拉屎的地方。刚来大学的时候，大一浑浑噩噩的度过，大门不错，二门不迈，整体呆在宿舍打游戏，打了大半年的游戏，就那样，大学里最美好的日子离我远去。往事不堪回首，过了一年，如今已是学长了，作为一个学长，我不甘落后，于是乎上课努力听讲，下课没事和同学去打球或是去图书馆学习html，css，javascript，java，过着四点一线的生活，在大二一年里拿了两次奖学金。如今，已经是大三...，时间还在流逝，现在还是个屌丝，一个苦逼的大学生，还有事没事喜欢爬各种网站，来满足自己那点小小的虚荣心...。好了，扯淡时间过，该写代码了。

 原谅我那点发自内心的扯淡。下面我们开始进入今天的主题，HTML解析和网络爬虫。

什么是html，网络爬虫？

 什么是html这里就不多说了，那么什么是网络爬虫呢？是不是在网络上怕的虫？哈哈，简直是弱爆了，在前面扯淡的内容中提到了，我喜欢爬各种网站，我爬过我学校的官网和教务管理系统，爬过各种IT网站，做了个简单的新闻客户端。网络爬虫其实是指自动地抓取万维网信息的程序或者脚本，或者说是动态地抓取网站数据的程序。

怎样解析html?

 这里我们通过Java解析html的利器Jsoup解析html，使用jsoup轻松搞定html解析，让你从一个从矮穷挫瞬间变身高大上，高端大气上档次。

为什么要解析html?

 我们都知道现在网络数据传输有三种常用的形式，xml，json（【JSON解析】JSON解析高手 ）和html，我们的客户端请求服务器，服务器通常给我们返回上面三种形式的数据。同时如果是个人开发，由于没有自己的服务器，那么我们开发的应用程序就可以通过爬别人的网站解析html得到我们要的数据，当然，这种方式得到的数据不推荐，同时也存在太多的局限了，如：受网站的限制，解析困难等等。当然看了这篇文章解析就不是困难了，呵呵。

二、Jsoup和资源准备

jsoup介绍：

 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。

主要功能：

1. 从一个URL，文件或字符串中解析HTML；
2. 使用DOM或CSS选择器来查找、取出数据；
3. 可操作HTML元素、属性、文本；

jar包下载（两种方式）：

1. 官网下载最新版：http://jsoup.org/download
2. jsoup-1.8.3.jar（jar，doc和源码）

jsoup更多信息查看官网：http://jsoup.org

三、HTML解析实战

 新建一个Android项目（编码设为UTF-8），将下载的jsoup的jar包添加到项目的libs目录下，并添加到构建路径中，这里由于不打算开发一个完整的应用，所以用的开发工具是我们更熟悉的eclipse，简单点，不用Android Studio（as），用as也一样。

作为测试数据，我们来爬一下这个网站：http://it.ithome.com/

访问这个网站，可以看到现在最新的页面显示如下，当然，它的文章会不断更新，这是写文章的时候的页面（页面的一部分）：

 我们的任务是把文章的相关信息抓下来，包括：

1. 文章左边的图片url
2. 文章的标题article
3. 文章的内容简介summary
4. 底部的关键字tags
5. 右上角的发表时间postime

如下图：

OK，确定好了我们要抓取的信息后，我们通过浏览器调试工具Firebug打开查看该页面的源码找到我们关心数据的部分：

 这个ul里面的li第一个不是我们想要的数据外，其他的每个li中都保存了一篇文章的信息。选择其中两个看看。

下面我们可以编写解析代码了。

第一步：新建JavaBean，Article.java

package com.jxust.lt.htmlparse;

/**
 * 文章bean
 * @author lt
 *
 */
public class Article {

	private String title; // 标题
	private String summary; // 文章内容简介
	private String imageUrl; // 图片url
	private String tags; // 关键子
	private String postime; // 发表时间
	
	// setter...
	// getter...
	
	@Override
	public String toString() {
		return "Article [title=" + title + ", summary=" + summary
				+ ", imageUrl=" + imageUrl + ", tags=" + tags + ", postime="
				+ postime + "]";
	}
}

第二步：新建一个工具类，HtmlParseUtil.java，写一个连接网络并解析返回的html页面的方法:

/**
	 * 请求网络加载数据得到文章的集合
	 * @param url:网站url
	 */
	public static List<Article> getArticles(String url){
		List<Article> articles = new ArrayList<Article>();
		Connection conn = Jsoup.connect(url);
		try {
			// 10秒超时时间,发起get请求，也可以是post
			Document doc = conn.timeout(10000).get();
			// 1. 只要我们关心的信息数据,这里使用css类选择器
			Element ul = doc.select(".ulcl").get(0);
			// 2. 得到所有的li,排除个别不是同种类型的数据
			Elements lis = ul.getElementsByTag("li");
			for(int i=1;i<lis.size();i++){ // 通过FileBug发现这个网页里面第一个li不是我们要的类型，所以从1开始
				Article article = new Article();
				Element li = lis.get(i);
				// 数据1，得到图片的url，通过img标签的src属性获得
				Element img = li.getElementsByTag("img").first();
				// 获取标签的属性值，参数为属性名称
				String imageUrl = img.attr("src");
				// 数据2，得到文章的标题
				Element h2 = li.getElementsByTag("h2").first();
				// 取h2元素下面的第一个a标签的文本即为标题
				String title = h2.getElementsByTag("a").first().text();
				// 数据3，得到文章的发表时间,取h2元素下面的第一个span标签的文本即为文章发表时间
				String postime = h2.getElementsByTag("span").first().text();
				// 数据4，得到文章内容简介,取li下面第一个p标签的文本
				String summary = li.getElementsByTag("p").first().text();
				// 数据5，得到文章的关键字,取li下面的class为tags的第一个元素的所有的a标签文本
				Element tagsSpan = li.getElementsByClass("tags").first();
				Elements tags = tagsSpan.getElementsByTag("a");
				String key = "";
				for(Element tag : tags){
					key+=","+tag.text();
				}
				// 去掉key的第一个","号
				key = key.replaceFirst(",", "");
				
				article.setTitle(title);
				article.setSummary(summary);
				article.setImageUrl(imageUrl);
				article.setPostime(postime);
				article.setTags(key);
				articles.add(article);
			}
		} catch (Exception ex) {
			ex.printStackTrace();
		} 
		return articles;
	}

 在清单文件下添加请求网络权限：

<uses-permission android:name="android.permission.INTERNET"/>

 说明：请求网络得到Document对象后（不要导出包，是jsoup下的），通过select（）方法帅选了class为ulcl的ul元素，该页面下只有一个class为ulcl，ul下面第一个li不是我们要的，排除，然后得到每个li对象，每个li元素包含一篇文章的信息，解析重要方法说明：

1. Document.select(String cssQuery)：通过css选择器获取E元素集Elements
2. Element.getElementsByTag(String tagName)：通过标签名称获取元素Elements
3. Element.getElementsByClass(String className)：通过标类选择器获取元素Elements
4. Element.getElementById(String id)：通过id获取元素Element
5. Element.attr(String attrName)：通过属性名获取属性值
6. Element.text()：获取标签元素的文本

 有js的DOM及JQuery编程经验的人应该很容易理解上面的方法，更多的方法信息使用查看Jsoup官网文档。

第三步：测试解析结果：

使用android单元测试：

• 在AndroidManifest.xml添加instrumentation

<instrumentation android:targetPackage="com.jxust.lt.htmlparse" android:name="android.test.InstrumentationTestRunner"></instrumentation>

• 在AndroidManifest.xml添加use-library

<uses-library android:name="android.test.runner"/>

新建一个测试类HtmlParseTest.java继承AndroidTestCase

 写一个测试方法：

	public void testParseHtml(){
		List<Article> articles = HtmlParseUtil.getArticles(url);
		for(int i=0;i<articles.size();i++){
			Log.e("result"+i, articles.get(i).toString());
		}
	}

 这里的url的值为："http://it.ithome.com/"

打开模拟器运行测试方法 Run As Android JUnit Test

日志输出结果：

...

可以看到我们得到了20条数据，我们来看看其中的一条

 可以看到文章标题，内容简介，图片url，关键字，发表时间5个我们关心的数据全都解析出来了。到这里html解析结束了，现在我们有了数据，那么我们就可以将数据显示在listView中了（这里不会将数据显示在ListView中，这个很简单，一个布局一个适配器就搞定了，不懂的可以问），从而可以自己为网站写个新闻客户端了，把要的数据全都抓取下来，体验一下将别人的数据为我所用的快乐，呵呵。

总结一下：

jsoup解析html的步骤：

1. 得到Document对象：

• 通过发送Jsoup的get或者post请求返回Document对象
• 将html字符串转换成Document对象（通过Jsoup.parse()方法）：

2. 使用Document.select()进行初步筛选数据

3. 使用Element的一系列方法筛选出我们要的数据

注意：要对照页面源码解析，解析任何数据之前我们都得先知道要解析数据的结构，看着html页面的源码调用Document，Element等对象的相关方法怎么简单怎么解析。

jsoup的get和post请求网络在实际运用中使用不多，通常我会将jsoup和Volley，XUtils,Okhttp等著名的android网络框架结合使用，即请求网络用Volley等框架，解析用Jsoup，至少我就是这样做的。