網絡爬蟲之java jsoup解析資訊

1、jsoup介紹

jsoup是一款java的HTML解析器，可直接解析某個URL位址、HTML檔案内容。它提供了一套非常省力的API，可通過DOM、CSS以及類似Jquery的操作方法取出和操作資料。

jsoup的主要功能如下：

1. 從一個URL，檔案或者字元串中解析HTML。
2. 使用DOM或者CSS選擇器來直接查找、取出資料。
3. 可操作HTML元素、屬性、文本。

2、jsoup和HttpClient的姻緣

雖然使用jsoup可以替代HttpClient直接發起請求解析資料，但是往往不這樣用，因為實際開發過程中，需要使用多線程、連接配接池、代理等等方式，而jsoup對這些的支援不是很好，是以我們一般隻把jsoup僅僅作為HTML解析工具使用，可以用HttpClient擷取HTML，然後交給jsoup解析。

3、建立一個類并配置pom.xml

如何建立項目請看：https://blog.csdn.net/weixin_44588495/article/details/90580722

pom.xml配置

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>com.crawler</groupId>
    <artifactId>Crawler-first-one</artifactId>
    <version>1.0-SNAPSHOT</version>
    <dependencies>
        <!-- https://mvnrepository.com/artifact/org.apache.httpcomponents/httpclient -->
        <dependency>
            <groupId>org.apache.httpcomponents</groupId>
            <artifactId>httpclient</artifactId>
            <version>4.5.2</version>
        </dependency>

        <!-- https://mvnrepository.com/artifact/org.slf4j/slf4j-log4j12 -->
        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-log4j12</artifactId>
            <version>1.7.25</version>
<!--            <scope>test</scope>-->
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
        <dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.10.2</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/junit/junit -->
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
            <scope>test</scope>
        </dependency>
        <!-- https://mvnrepository.com/artifact/commons-io/commons-io -->
        <dependency>
            <groupId>commons-io</groupId>
            <artifactId>commons-io</artifactId>
            <version>2.4</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.commons/commons-lang3 -->
        <dependency>
            <groupId>org.apache.commons</groupId>
            <artifactId>commons-lang3</artifactId>
            <version>3.4</version>
        </dependency>

    </dependencies>

</project>
           

利用junit來測試

4、解析URL

@Test
    //解析Url
    public void testUrl()throws Exception{
        //解析url位址，第一個參數是通路的url，第二個參數是通路時候的逾時時間
        Document doc = Jsoup.parse(new URL("http://itcast.cn"),1000);

        //使用标簽選擇器，擷取title标簽中的内容
        String title = doc.getElementsByTag("title").first().text();
        System.out.println(title);

    }
           

運作結果：

5、解析字元串

@Test
    //解析字元串
    public void testString()throws Exception{
        //假設用httpClient讀取到了html頁面
        String content = "<title>哈哈哈</title>";
        Document doc = Jsoup.parse(content);
        String title = doc.getElementsByTag("title").first().text();
        System.out.println(title);
    }
           

運作結果：

6、解析檔案

@Test
    //解析檔案
    public void testFile()throws Exception{
        Document doc = Jsoup.parse(new File("C:\\Users\\Administrator\\Desktop\\index.html"),"utf-8");
        String title = doc.getElementsByTag("title").first().text();
        System.out.println(title);
    }
           

運作結果：

7、完整代碼

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.junit.Test;

import java.io.File;
import java.net.URL;

public class JsoupFirstTest {
    @Test
    //解析Url
    public void testUrl()throws Exception{
        //解析url位址，第一個參數是通路的url，第二個參數是通路時候的逾時時間
        Document doc = Jsoup.parse(new URL("http://itcast.cn"),1000);

        //使用标簽選擇器，擷取title标簽中的内容
        String title = doc.getElementsByTag("title").first().text();
        System.out.println(title);

    }
    @Test
    //解析字元串
    public void testString()throws Exception{
        //假設用httpClient讀取到了html頁面
        String content = "<title>document</title>";
        Document doc = Jsoup.parse(content);
        String title = doc.getElementsByTag("title").first().text();
        System.out.println(title);
    }
    @Test
    //解析檔案
    public void testFile()throws Exception{
        Document doc = Jsoup.parse(new File("C:\\Users\\Administrator\\Desktop\\index.html"),"utf-8");
        String title = doc.getElementsByTag("title").first().text();
        System.out.println(title);
    }
}