Java爬虫之学习篇 Jsoup爬取页面

不知不觉在这个爬虫行业工作半年多了。在网上看到的java文章大多都是比较简单的一个例子。

没有太多系统的总结的专栏,既然没有的话,我就自己写一个吧。不足之处希望大家,多多指点.

此篇主要内容: jsoup的使用, 对不同数据类型抓取. 对数据的抽取：

开始前，先介绍下Jsoup。

Jsoup是java的一个开源，可以来模拟浏览器来获取网页数据的框架。也就是可以实现爬虫的功能，知道这个就行了。有兴趣深入的小伙伴。可以观看下面官方文档 。

jsoup官方的文档：https://www.open-open.com/jsoup/ 这是一篇中文官方的文档。

下面开始介绍Jsoup: 按功能分类的话：Josup可以分为两类：抓取数据，数据抽取。下面就这两个功能开始详细说明。

抓取数据：从页面中将数据爬下来。

抓取数据的一些前期准备工作：

一、fiddler抓包工具

官网下载地址：http://www.telerik.com/fiddler

这种需要抓包工具,抓取参数。向大家推荐fiddler.上网有许多大佬，写了很详细的介绍，我就不献丑了。就推荐一篇

fiddler使用介绍：https://www.cnblogs.com/ink-marks/p/6363275.html

二、jar包 的下载(之后再补充吧)

下面进入主题,开始爬数据了。

首先:爬数据之前，我们应该知道，想要爬取的网站是以什么向服务器发出的请求，返回的数据又是什么格式。知道这些，后面就可以想套公示一样去解析该网站。

浏览器向服务器端请求的方式，大多分为post与get。而返回的数据类型，一般为html与json两种格式。(目前我只碰到这些)

所以组合一下，网站大致可以为4种爬取数据的类型，本文针对这4种数据类型分别说明

get请求,返回html格式的数据.的情况

Document doc = Jsoup.connect(url)   //url 是浏览器地址栏的连接,直接放入就可以了
			 .timeout(1000*10)      //访问时长的设置
			 .get();		       //get请求
           

post请求,返回html格式的数据.的情况

post请求则需要抓包工具,来帮助我们,来获得传递的参数了

get请求,返回json格式的数据.的情况

post请求,返回json格式的数据.的情况

之后补充,再将4个demo 的例子传上来.

数据抽取 基本上从上述官方文档中获取的。

一、使用dom方法来遍历一个Document对象

官方的文档：https://www.open-open.com/jsoup/dom-navigation.htm 类似js的一些使用

二、选择器

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。

Selector选择器概述

tagname: 通过标签查找元素，比如：a
ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 <fb:name> 元素
#id: 通过ID查找元素，比如：#logo
.class: 通过class名称查找元素，比如：.masthead
[attribute]: 利用属性查找元素，比如：[href]
[^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素
[attr=value]: 利用属性值来查找元素，比如：[width=500]
[attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href*=/path/]
[attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i)\.(png|jpe?g)]
*: 这个符号将匹配所有元素
           

Selector选择器组合使用

el#id: 元素+ID，比如： div#logo
el.class: 元素+class，比如： div.masthead
el[attr]: 元素+class，比如： a[href]
任意组合，比如：a[href].highlight
ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素
parent > child: 查找某个父元素下的直接子元素，比如：可以用div.content > p 查找 p 元素，也可以用body > * 查找body标签下所有直接子元素
siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div
siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p
el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo
           

伪选择器selectors

:lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素
:gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素
:eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
:has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
:not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)
:containsOwn(text): 查找直接包含给定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
           

三、元素抽取属性，文本和HTML

方法

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：

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

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

String linkOuterH = link.outerHtml(); 
// "<a href="http://example.com" target="_blank" rel="external nofollow" ><b>example</b></a>"
String linkInnerH = link.html(); // "<b>example</b>"//取得链接内的html内容
           

说明

上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用：

Element.id()
Element.tagName()
Element.className() and Element.hasClass(String className)