注册 X
我已阅读并同意  服务条款
首页 > IT技术笔记 > 查看笔记

java使用jsoup爬取网页数据

1、导入依赖

<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->

<dependency>

    <groupId>org.jsoup</groupId>

    <artifactId>jsoup</artifactId>

    <version>1.11.3</version>

</dependency>


1.解析一个html字符串

示例如下:

String html = "<div><p align="center"><img alt="" width="660" height="852" src="/erp/UserFiles/Image/51.jpg" />这是P元素的内容</p>";Document document = Jsoup.parse(html);


使用上面的方法,就可以将html字符串,转换成Document对象,一旦有了Document对象,我们就可以使用其中适当的方法根据需求处理问题。我们可以看到这里转换的html片段并不是一个合法的html片段,里面的div标签没有闭合。这对于Jsoup来说不是问题,它可以很好的处理这类问题。

2.根据一个URL地址加载Document对象

示例:

Document document = Jsoup.connect("http://www.baidu.com").get();

String title = document.title();

String text = document.text();


connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。如果从该URL获取HTML时发生错误,便会抛出 IOException,应适当处理。
Connection 接口还提供一个方法链来解决特殊请求,具体如下:


Document doc = Jsoup.connect("http://test.com").data("query", "Java").userAgent("Mozilla").cookie("auth", "token").timeout(3000).post();


可以向链接地址post参数,设置userAgent,cookie,timeout等,而且这里是采用的链接操作很方便connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。如果从该URL获取HTML时发生错误,便会抛出 IOException,应适当处理。
Connection 接口还提供一个方法链来解决特殊请求,具体如下:

4.根据文件加载document

有时候我们要处理的html内容,可能是存在硬盘上的某个文件里面,我们需要从中提取或者解析某些内容出来,我们可以通过Jsoup来这样处理。示例代码如下:

File input = new File("d:/input.html");

Document doc = Jsoup.parse(input, "UTF-8", "http://test.com/");


三、 数据抽取
看到这里可能有一个疑问,第一个参数是文件,第二是编码,第三个是什么呢?第三个参数是baseUrl,使用他我们可以方便的处理相对路径问题,如果不需要可以不传,这是一个多态方法,在前面的三个部分里面,都可以再加一个这样的baseUrl,后面会详细讲述。

1.使用Dom方法遍历文档

通过第二章我们可以获取一个document的对象,我们可以通过这个对象来遍历文档,如:

Document doc = Jsoup.parse(input, "UTF-8", "http://test.com/");

Element content = doc.getElementById("content");

Elements links = content.getElementsByTag("a");

for(Element link : links) {

String linkHref = link.attr("href");

String linkText = link.text();

}

查找元素这里我们可以方便的使用Doument对象的方法来获取内容。常用方法如下:

元素数据
  • attr(String key)获取属性attr(String key, String value)设置属性

  • attributes()获取所有属性

  • id(), className() and classNames()

  • text()获取文本内容text(String value) 设置文本内容

  • html()获取元素内HTMLhtml(String value)设置元素内的HTML内容

  • outerHtml()获取元素外HTML内容

  • data()获取数据内容(例如:script和style标签)

  • tag() and tagName()

操作HTML和文本
  • append(String html), prepend(String html)

  • appendText(String text), prependText(String text)

  • appendElement(String tagName), prependElement(String tagName)

  • html(String value)

2.使用选择器来查找元素

使用jQuery时,我们无不为其强大的选择器叹服,jsoup有同样的强大的选择器,可以方便我们的对文档进行处理。示例代码如下:
jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.
这个select 方法在Document, Element,或Elements对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。
Select方法将返回一个Elements集合,并提供一组方法来抽取和处理结果。

Elements links = doc.select("a[href]"); //带有<span style="text-decoration: underline;">href</span>属性的a元素

Elements pngs = doc.select("img[src$=.png]");

//扩展名为.<span style="text-decoration: underline;">png</span>的图片

Element masthead = doc.select("div.masthead").first();

//class等于<span style="text-decoration: underline;">masthead</span>的<span style="text-decoration: underline;">div</span>标签

Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素


jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.

这个select 方法在Document, Element,或Elements对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。
Select方法将返回一个Elements集合,并提供一组方法来抽取和处理结果。

3.从元素中抽取属性和文档

  • 使用Jsoup抽取属性,一般方法如下:

  • 要取得一个属性的值,可以使用Node.attr(String key) 方法

  • 对于一个元素中的文本,可以使用Element.text()方法

  • 对于要取得元素或属性中的HTML内容,可以使用Element.html(), 或 Node.outerHtml()方法
    示例如下:


  • String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";

  • Document doc = Jsoup.parse(html);//解析HTML字符串返回一个Document实现

  • Element link = doc.select("a").first();//查找第一个a元素</pre>

  • String text = doc.body().text(); // "An example link"//取得字符串中的文本

  • String linkHref = link.attr("href"); // "http://example.com/"//取得链接地址

  • String linkText = link.text(); // "example""//取得链接地址中的文本</pre>

  • String linkOuterH = link.outerHtml();

  • // "<a href="http://example.com"><b>example</b></a>"

  • String linkInnerH = link.html(); // "<b>example</b>"//取得链接内的html内容

4.URL处理

我们在处理HTML内容时,可能经常会遇到这种问题,需要将html页面里面的链接地址从相对地址转换成绝对地址,jsoup有一个方法用来解决此问题。我们前面对到的baseurl,就是用来解决此问题的。示例代码如下:

Document doc = Jsoup.connect("http://www.baidu.com/").get();

Element link = doc.select("a").first();

String relHref = link.attr("href"); // == "/"

String absHref = link.attr("abs:href");

// "http://www.baidu.com/gaoji/preferences.html"


在HTML元素中,URLs经常写成相对于文档位置的相对路径: . 当你使用 Node.attr(String key) 方法来取得a元素的href属性时,它将直接返回在HTML源码中指定定的值。

假如你需要取得一个绝对路径,需要在属性名前加 abs: 前缀。这样就可以返回包含根路径的URL地址attr(“abs:href”)

因此,在解析HTML文档时,定义base URI非常重要。如果你不想使用abs: 前缀,还有一个方法能够实现同样的功能 Node.absUrl(String key)。

数据修改

1.设置属性值

在处理html时,我们有时候可能需要修改里面的属性值,如图片地址、class名称等各种属性。
可以使用属性设置方法 Element.attr(String key, String value), 和 Elements.attr(String key, String value).
假如你需要修改一个元素的 class 属性,可以使用 Element.addClass(String className) 和Element.removeClass(String className) 方法。
Elements 提供了批量操作元素属性和class的方法,比如:要为div中的每一个a元素都添加一个rel=”nofollow”
可以使用如下方法:

1
doc.select("div.comments a").attr("rel", "nofollow");


这里的jsoup方法同样支持链接操作,如下:

1
doc.select("div.masthead").attr("title", "jsoup").addClass("round-box");


2.设置元素的html内容

我们需要向html里面添加html片段等内容时可以如下操作:

Element div = doc.select("div").first(); // <div></div>

div.html("<p>lorem ipsum</p>"); // <div><p>lorem ipsum</p></div>

div.prepend("<p>First</p>");//在div前添加html内容

div.append("<p>Last</p>");//在div之后添加html内容

// 添完后的结果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div>

Element span = doc.select("span").first(); // <span>One</span>

span.wrap("<li><a href='http://example.com/'></a></li>");

//对元素包裹一个外部HTML内容添完后的结果:

//<li><a href="http://example.com"><span>One</span></a></li>


3.设置元素的文本内容

如果我们需要修改元素内的文本内容,可以如下操作:

Element div = doc.select("div").first(); // <div></div>

div.text("five > four"); // <div>five &gt; four</div>

div.prepend("First ");

div.append(" Last");

// now: <div>First five &gt; four Last</div>


说明

文本设置方法与 HTML setter 方法一样:
Element.text(String text) 将清除一个元素中的内部HTML内容,然后提供的文本进行代替
Element.prepend(String first) 和 Element.append(String last) 将分别在元素的内部html前后添加文本节点。
对于传入的文本如果含有像 <, > 等这样的字符,将以文本处理,而非HTML。



 打赏        分享



评论