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：

• getElementById(String id)

• getElementsByTag(String tag)

• getElementsByClass(String className)

• getElementsByAttribute(String key)(and related methods)

• Element siblings: siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()

• Graph: parent(), children()), child(int index)

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。