天天看點
傳回

使用java開源工具httpClient及jsoup抓取解析網頁資料

　　今天做項目的時候遇到這樣一個需求，需要在網頁上展示今日黃曆資訊，資料格式如下

  • 　　公曆時間：2016年04月11日 星期一
  • 　　農曆時間：猴年三月初五
  • 　　天幹地支：丙申年 壬辰月 癸亥日
  • 　　宜：求子 祈福 開光 祭祀 安床
  • 　　忌：玉堂（黃道）危日，忌出行

　　主要包括公曆/農曆日期，以及忌宜資訊的等。但是手裡并沒有現成的資料可供使用，怎麼辦呢？

革命前輩曾經說過，沒有槍，沒有炮，敵（wang）人(luo)給我們造！網絡上有很多現成的線上

萬年曆應用可供使用，雖然沒有現成接口，但是我們可以伸出手來，自己去拿。也就是所謂的資料

抓取。

　　這裡介紹兩個使用的工具，httpClient以及jsoup,簡介如下：

　　HttpClient是Apache Jakarta Common下的子項目，用來提供高效的、最新的、功能豐富的支援HTTP協定的用戶端程式設計工具包，并且它支援HTTP協定最新的版本和建議。HttpClient已經應用在很多的項目中，比如Apache Jakarta上很著名的另外兩個開源項目Cactus和HTMLUnit都使用了HttpClient。

　　httpClient使用方法如下：

　　1. 建立HttpClient對象。

　　2. 建立請求方法的執行個體，并指定請求URL。

　　3. 調用HttpClient對象的execute(HttpUriRequest request)發送請求，該方法傳回一個HttpResponse。

　　4. 調用HttpResponse相關方法擷取相應内容。

　　5. 釋放連接配接。

　　jsoup 是一款 Java 的 HTML 解析器，可直接解析某個 URL 位址、HTML 文本内容。它提供了一套非常省力的 API，可通過 DOM，CSS 以及類似于 jQuery 的操作方法來取出和操作資料。

　　需要更多資訊可以參見官網

　　httpClient:http://hc.apache.org/httpcomponents-client-5.0.x/index.html

　　jsoup:http://jsoup.org/

　　

　　接下來我們直接上代碼，這裡我們抓取2345線上萬年曆的資料 http://tools.2345.com/rili.htm

　　首先我們定義一個實體類Almanac來存儲黃曆資料

　　Almanac.java

1 package com.likx.picker.util.bean;
 2 
 3 /**
 4  * 萬年曆工具實體類
 5  * 
 6  * @author 溯源blog
 7  * 2016年4月11日
 8  */
 9 public class Almanac {
10     private String solar;        /* 陽曆 e.g.2016年 4月11日 星期一 */
11     private String lunar;        /* 陰曆 e.g. 猴年 三月初五*/
12     private String chineseAra;    /* 天幹地支紀年法 e.g.丙申年 壬辰月 癸亥日*/
13     private String should;        /* 宜e.g. 求子 祈福 開光 祭祀 安床*/
14     private String avoid;        /* 忌 e.g. 玉堂（黃道）危日，忌出行*/
15 
16     public String getSolar() {
17         return solar;
18     }
19 
20     public void setSolar(String date) {
21         this.solar = date;
22     }
23 
24     public String getLunar() {
25         return lunar;
26     }
27 
28     public void setLunar(String lunar) {
29         this.lunar = lunar;
30     }
31 
32     public String getChineseAra() {
33         return chineseAra;
34     }
35 
36     public void setChineseAra(String chineseAra) {
37         this.chineseAra = chineseAra;
38     }
39 
40     public String getAvoid() {
41         return avoid;
42     }
43 
44     public void setAvoid(String avoid) {
45         this.avoid = avoid;
46     }
47 
48     public String getShould() {
49         return should;
50     }
51 
52     public void setShould(String should) {
53         this.should = should;
54     }
55 
56     public Almanac(String solar, String lunar, String chineseAra, String should,
57             String avoid) {
58         this.solar = solar;
59         this.lunar = lunar;
60         this.chineseAra = chineseAra;
61         this.should = should;
62         this.avoid = avoid;
63     }
64 }

　　然後是抓取解析的主程式，寫程式之前需要在官網下載下傳需要的jar包

　　AlmanacUtil.java

package com.likx.picker.util;
import java.io.IOException;
import java.text.SimpleDateFormat;
import java.util.Calendar;
import java.util.Date;

import org.apache.http.HttpEntity;
import org.apache.http.ParseException;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
/**
 *<STRONG>類描述</STRONG> :  2345萬年曆資訊爬取工具<p>
 *   
 * @version 1.0 <p>
 * @author 溯源blog
 * 
 * <STRONG>建立時間</STRONG> : 2016年4月11日 下午14:15:44<p>
 * <STRONG>修改曆史</STRONG> :<p>
 *<pre>
 * 修改人                   修改時間                     修改内容
 * ---------------         -------------------         -----------------------------------
 *</pre>
 */
public class AlmanacUtil {
    
    /**
     * 單例工具類
     */
    private AlmanacUtil() {
    }
    /**
     * 擷取萬年曆資訊
     * @return
     */
    public static Almanac getAlmanac(){
        String url="http://tools.2345.com/rili.htm";
        String html=pickData(url);
        Almanac almanac=analyzeHTMLByString(html);
        return almanac;
    }
    
    /*
     * 爬取網頁資訊
     */
    private static String pickData(String url) {
        CloseableHttpClient httpclient = HttpClients.createDefault();
        try {
            HttpGet httpget = new HttpGet(url);
            CloseableHttpResponse response = httpclient.execute(httpget);
            try {
                // 擷取響應實體
                HttpEntity entity = response.getEntity();
                // 列印響應狀态
                if (entity != null) {
                    return EntityUtils.toString(entity);
                }
            } finally {
                response.close();
            }
        } catch (ClientProtocolException e) {
            e.printStackTrace();
        } catch (ParseException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        } finally {
            // 關閉連接配接,釋放資源
            try {
                httpclient.close();
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
        return null;
    }
    
    /*
     * 使用jsoup解析網頁資訊
     */
    private static Almanac analyzeHTMLByString(String html){
        String solarDate,lunarDate,chineseAra,should,avoid=" ";
        Document document = Jsoup.parse(html);
        //公曆時間
        solarDate=getSolarDate();
        //農曆時間
        Element eLunarDate=document.getElementById("info_nong");
        lunarDate=eLunarDate.child(0).html().substring(1,3)+eLunarDate.html().substring(11);
        //天幹地支紀年法
        Element eChineseAra=document.getElementById("info_chang");
        chineseAra=eChineseAra.text().toString();    
        //宜
        should=getSuggestion(document,"yi");
        //忌
        avoid=getSuggestion(document,"ji");
        Almanac almanac=new Almanac(solarDate,lunarDate,chineseAra,should,avoid);
        return almanac;
    }
    /*
     * 擷取忌/宜
     */
    private static String getSuggestion(Document doc,String id){
        Element element=doc.getElementById(id);
        Elements elements=element.getElementsByTag("a");
        StringBuffer sb=new StringBuffer();
        for (Element e : elements) {
            sb.append(e.text()+" ");
        }
        return sb.toString();
    }

    /*
     * 擷取公曆時間,用yyyy年MM月dd日 EEEE格式表示。
     * @return yyyy年MM月dd日 EEEE
     */
    private static String getSolarDate() {
        Calendar calendar = Calendar.getInstance();
        Date solarDate = calendar.getTime();
        SimpleDateFormat formatter = new SimpleDateFormat("yyyy年MM月dd日 EEEE");
        return formatter.format(solarDate);
    }

}

　　為了簡單明了我把抓取解析抽象成了幾個獨立的方法，

　　其中pickData()方法使用httpClient來抓取資料到一個字元串中（就是在網頁上點選檢視源代碼看到的HTML源碼），

analyzeHTMLByString()方法來解析抓取到的字元串，getSuggestion方法把抓取方法類似的宜忌資料抽象到了

一起，另外因為公曆時間可以很容易的自己生成就沒有在網頁上爬取。

　　然後下面是一個測試類簡單測試下效果：

 AlmanacUtilTest.java

package com.likx.picker.util.test;

public class AlmanacUtilTest {
    
    public static void main(String args[]){
        Almanac almanac=AlmanacUtil.getAlmanac();
        System.out.println("公曆時間："+almanac.getSolar());
        System.out.println("農曆時間："+almanac.getLunar());
        System.out.println("天幹地支："+almanac.getChineseAra());
        System.out.println("宜："+almanac.getShould());
        System.out.println("忌："+almanac.getAvoid());
    }
}

　　運作結果如下：

使用java開源工具httpClient及jsoup抓取解析網頁資料

　　內建到實際項目中效果是這樣的：

　　

使用java開源工具httpClient及jsoup抓取解析網頁資料

　　另外最近部落格一直沒怎麼更新，因為最近考慮到技術氛圍的原因，離開了對日外包行業，前往

一家網際網路公司就職。說一下最近的感受，那就是一個程式員最核心的競争力不是學會了多少架構，

掌握多少種工具（當然這些對于程式員也不可或缺），而是紮實的基礎以及快速學習的能力，比如今天

這個項目，從對httpClient，jsoup工具一無所知到編寫出Demo代碼總計大概1個多小時，在之前對于

我來說是不可想象的，在技術氛圍濃厚的地方快速get技能的感覺，非常好。

　　當然本例隻是一個非常淺顯的小例子，網頁上内容也很容易抓取，httpClient及jsoup工具更多強大

的地方沒有展現到，比如httpClient不僅可以發送get請求，而且可以發送post請求，送出表單，傳送

檔案，還比如jsoup最強大的地方在于它支援仿jquery的選擇器。本例僅僅使用了最簡單的document.getElementById()

比對元素，實際上jsoup的選擇器異常強大，可以說它就是java版的jquery,比如這樣：

Elements links = doc.select("a[href]"); // a with href
Elements pngs = doc.select("img[src$=.png]");
  // img with src ending .png
Element masthead = doc.select("div.masthead").first();
  // div with class=masthead
Elements resultLinks = doc.select("h3.r > a"); // direct a after h3

　　另外還有很多強大的功能水準有限就不一一列舉了，感興趣的可以參照官網文檔，也歡迎交流指正。新技能get起來！

上一篇: HttpWatch
下一篇: 6個常用第三方網站統計工具特點優勢比較 - 站長應該選擇誰？