Jsoup详解，Jsoup.connect(“url”).get()

超、凢脫俗 2022-09-13 04:16 464阅读 0赞

Jsoup是一款Java的HTML解析器，主要用来对HTML解析。官网icon-default.png_t_L892https://jsoup.org/

在爬虫的时候，当我们用HttpClient之类的框架，获取到网页源码之后，需要从网页源码中取出我们想要的内容，

就可以使用Jsoup这类HTML解析器了。可以非常轻松的实现。

虽然Jsoup也支持从某个地址直接去爬取网页源码，但是只支持HTTP，HTTPS协议，支持不够丰富。

所以，主要还是用来对HTML进行解析。

◆其中，要被解析的HTML可以是一个HTML的字符串，可以是一个URL，可以是一个文件。

org.jsoup.Jsoup把输入的HTML转换成一个org.jsoup.nodes.Document对象，然后从Document对象中取出想要的元素。

org.jsoup.nodes.Document继承了org.jsoup.nodes.Element，Element又继承了org.jsoup.nodes.Node类。里面提供了丰富的方法来获取HTML的元素。

◇从URL获取HTML来解析

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

其中Jsoup.connect(“xxx”)方法返回一个org.jsoup.Connection对象。
在Connection对象中，我们可以执行get或者post来执行请求。但是在执行请求之前，
我们可以使用Connection对象来设置一些请求信息。比如：头信息，cookie，请求等待时间，代理等等来模拟浏览器的行为。

  1. Document doc = Jsoup.connect("http://example.com")
  2.   .data("query", "Java")
  3.   .userAgent("Mozilla")
  4.   .cookie("auth", "token")
  5.   .timeout(3000)
  6.   .post();

◆获得Document对象后，接下来就是解析Document对象，并从中获取我们想要的元素了。

Document中提供了丰富的方法来获取指定元素。

◇使用DOM的方式来取得

  • getElementById(String id)：通过id来获取
  • 　　getElementsByTag(String tagName)：通过标签名字来获取
  • 　　getElementsByClass(String className)：通过类名来获取
  • 　　getElementsByAttribute(String key)：通过属性名字来获取
  • 　　getElementsByAttributeValue(String key, String value)：通过指定的属性名字，属性值来获取
  • 　　getAllElements()：获取所有元素

◇通过类似于css或jQuery的选择器来查找元素

使用的是Element类的下记方法：

public Elements select(String cssQuery)

通过传入一个类似于CSS或jQuery的选择器字符串，来查找指定元素。

例子：

  1. File input = new File("/tmp/input.html");
  2. Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
  4. Elements links = doc.select("a[href]"); //带有href属性的a元素
  5. Elements pngs = doc.select("img[src$=.png]");
  6.   //扩展名为.png的图片
  8. Element masthead = doc.select("div.masthead").first();
  9.   //class等于masthead的div标签
  11. Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素

选择器的更多语法(可以在org.jsoup.select.Selector中查看到更多关于选择器的语法)：

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 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
注意　　：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等

◆通过上面的选择器，我们可以取得一个Elements对象，它继承了ArrayList对象，里面放的全是Element对象。

接下来我们要做的就是从Element对象中，取出我们真正需要的内容。

通常有下面几种方法：

◇Element.text()

这个方法用来取得一个元素中的文本。

◇Element.html()或Node.outerHtml()

这个方法用来取得一个元素中的html内容

◇Node.attr(String key)

获得一个属性的值，例如取得超链接中href的值

综合实例：采集开源中国项目信息

  1. package com.company;
  3. import org.jsoup.Jsoup;
  4. import org.jsoup.nodes.Document;
  5. import org.jsoup.nodes.Element;
  6. import org.jsoup.select.Elements;
  8. import java.io.IOException;
  9. import java.util.HashSet;
  10. import java.util.Set;
  12. public class Main {
  14.     public static void main(String[] args) throws IOException {
  15.         // write your code here
  16.         Set<String> setUrls = new HashSet<>();
  17.         for(int i = 1; i <= 5; i++)
  18.         {
  19.             String strUrl = "https://www.oschina.net/project/list?company=0&sort=score&lang=0&recommend=false&p="+i;
  20.             setUrls.add(strUrl);
  21.         }
  23.         Set<String> setProjUrls = new HashSet<>();
  24.         for(String stringUrl : setUrls)
  25.         {
  26.             Document document = Jsoup.connect(stringUrl)
  27.                     .userAgent("Mozilla/5.0 (Windows NT 6.1; rv:30.0) Gecko/20100101 Firefox/30.0")
  28.                     .get();
  29.             //  System.out.println(document);
  30.             Elements elements = document.select("div.box.item");
  31.             for(Element element : elements)
  32.             {
  33.                 Elements eleUrl = element.select("div.box-aw a");
  34.                 String strPrjUrl = eleUrl.attr("href");
  35.                 setProjUrls.add(strPrjUrl);
  36.                 //  System.out.println(strPrjUrl);
  37.                 Elements eleTitle = eleUrl.select(".title");
  38.                 String strTitle = eleTitle.text();
  39.                 // System.out.println(strTitle);
  40.                 Elements eleSummary = eleUrl.select(".summary");
  41.                 String strSummary = eleSummary.text();
  42.                 //  System.out.println(strSummary);
  43.             }
  44.         }
  46.         for(String stringUrl : setProjUrls)
  47.         {
  48.             Document document = Jsoup.connect(stringUrl)
  49.                     .userAgent("Mozilla/5.0 (Windows NT 6.1; rv:30.0) Gecko/20100101 Firefox/30.0")
  50.                     .get();
  51.             Elements elements = document.select("div.box-aw a h1");
  53.             String strTitle = elements.text();
  54.             System.out.println("标题：" + strTitle);
  56.             Elements elementsSection = document.select("section.list");
  58.             int nSize = elementsSection.get(0).children().size();
  60.             if(nSize == 0)
  61.                 continue;
  63.             Element elementProtocol = elementsSection.get(0).child(0);
  64.             Elements elesPro = elementProtocol.select("span");
  65.             String strPro = elesPro.text();
  66.             System.out.println("开源协议：" + strPro);
  68.             nSize--;
  69.             if(nSize == 0)
  70.                 continue;
  72.             Element elementLan = elementsSection.get(0).child(1);
  73.             Elements elesLan = elementLan.select("span").get(0).children();
  74.             StringBuilder strlan = new StringBuilder();
  75.             for(Element ele : elesLan)
  76.             {
  77.                 String strLanTemp = ele.text();
  78.                 if(strLanTemp.indexOf("查看源码")>=0)
  79.                     break;
  80.                 strlan.append(strLanTemp+",");
  81.             }
  82.             if(elesLan.size()>0)
  83.             {
  84.                 String strLanguage = strlan.toString().substring(0,strlan.length()-1);
  85.                 System.out.println("开发语言：" + strLanguage);
  86.             }
  89.             nSize--;
  90.             if(nSize == 0)
  91.                 continue;
  93.             Element elementOS = elementsSection.get(0).child(2);
  94.             Elements elesOS = elementOS.select("span");
  95.             String strOS = elesOS.text();
  96.             System.out.println("操作系统：" + strOS);
  98.             nSize--;
  99.             if(nSize == 0)
  100.                 continue;
  102.             Element elementAuthor = elementsSection.get(0).child(3);
  103.             Elements elesAuthor = elementAuthor.select("a.link");
  104.             String strAuthor= elesAuthor.text();
  105.             System.out.println("软件作者；" + strAuthor);
  107.             System.out.println("---------------------");
  108.         }
  110.     }
  111. }

爬取腾讯首页全部图片

  1. package com.company;
  2. import org.jsoup.Connection;
  3. import org.jsoup.Jsoup;
  4. import org.jsoup.nodes.Document;
  5. import org.jsoup.nodes.Element;
  6. import org.jsoup.select.Elements;
  8. import java.io.*;
  9. import java.net.MalformedURLException;
  10. import java.net.URL;
  11. import java.net.URLConnection;
  12. import java.net.URLEncoder;
  14. public class meizi {
  15.     /**
  16.      * 下载图片到指定目录
  17.      *
  18.      * @param filePath 文件路径
  19.      * @param imgUrl   图片URL
  20.      */
  21.     public static void downImages(String filePath, String imgUrl) {
  22.         // 若指定文件夹没有，则先创建
  23.         File dir = new File(filePath);
  24.         if (!dir.exists()) {
  25.             dir.mkdirs();
  26.         }
  27.         // 截取图片文件名
  28.         String fileName = imgUrl.substring(imgUrl.lastIndexOf('/') + 1, imgUrl.length());
  30.         try {
  31.             // 文件名里面可能有中文或者空格，所以这里要进行处理。但空格又会被URLEncoder转义为加号
  32.             String urlTail = URLEncoder.encode(fileName, "UTF-8");
  33.             // 因此要将加号转化为UTF-8格式的%20
  34.             imgUrl = imgUrl.substring(0, imgUrl.lastIndexOf('/') + 1) + urlTail.replaceAll("\\+", "\\%20");
  36.         } catch (UnsupportedEncodingException e) {
  37.             e.printStackTrace();
  38.         }
  39.         // 写出的路径
  40.         File file = new File(filePath + File.separator + fileName);
  42.         try {
  43.             // 获取图片URL
  44.             URL url = new URL(imgUrl);
  45.             // 获得连接
  46.             URLConnection connection = url.openConnection();
  47.             // 设置10秒的相应时间
  48.             connection.setConnectTimeout(10 * 1000);
  49.             // 获得输入流
  50.             InputStream in = connection.getInputStream();
  51.             // 获得输出流
  52.             BufferedOutputStream out = new BufferedOutputStream(new FileOutputStream(file));
  53.             // 构建缓冲区
  54.             byte[] buf = new byte[1024];
  55.             int size;
  56.             // 写入到文件
  57.             while (-1 != (size = in.read(buf))) {
  58.                 out.write(buf, 0, size);
  59.             }
  60.             out.close();
  61.             in.close();
  62.         } catch (MalformedURLException e) {
  63.             e.printStackTrace();
  64.         } catch (IOException e) {
  65.             e.printStackTrace();
  66.         }
  68.     }
  70.     public static void main(String[] args) {
  71.         // 利用Jsoup获得连接
  72.         Connection connect = Jsoup.connect("http://www.qq.com");
  73.         try {
  74.             // 得到Document对象
  75.             Document document = connect.get();
  76.             // 查找所有img标签
  77.             Elements imgs = document.getElementsByTag("img");
  78.             System.out.println("共检测到下列图片URL：");
  79.             System.out.println("开始下载");
  80.             // 遍历img标签并获得src的属性
  81.             for (Element element : imgs) {
  82.                 //获取每个img标签URL "abs:"表示绝对路径
  83.                 String imgSrc = element.attr("abs:src");
  84.                 // 打印URL
  85.                 System.out.println(imgSrc);
  86.                 //下载图片到本地
  87.                 meizi.downImages("d:/img", imgSrc);
  88.             }
  89.             System.out.println("下载完成");
  90.         } catch (IOException e) {
  91.             e.printStackTrace();
  92.         }
  93.     }
  94. }

解析json(悟空问答网案例)

  1. package com.company;
  3. import com.alibaba.fastjson.JSON;
  4. import com.alibaba.fastjson.JSONArray;
  5. import com.alibaba.fastjson.JSONObject;
  6. import org.jsoup.Connection;
  7. import org.jsoup.Jsoup;
  9. import java.io.IOException;
  11. /**
  12.  * Created by Administrator on 2018/8/8.
  13.  */
  14. public class hello {
  15.     public static void main(String[] args) throws IOException {
  17.         Connection.Response res = Jsoup.connect("https://www.wukong.com/wenda/web/nativefeed/brow/?concern_id=6300775428692904450&t=1533714730319&_signature=DKZ7mhAQV9JbkTPBachKdgyme4")
  18.                 .header("Accept", "*/*")
  19.                 .header("Accept-Encoding", "gzip, deflate")
  20.                 .header("Accept-Language","zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3")
  21.                 .header("Content-Type", "application/json;charset=UTF-8")
  22.                 .header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64; rv:48.0) Gecko/20100101 Firefox/48.0")
  23.                 .timeout(10000).ignoreContentType(true).execute();//.get();
  24.         String body = res.body();
  25.         System.out.println(body);
  26.         JSONObject jsonObject2 = JSON.parseObject(body);
  27.         JSONArray jsonArray = jsonObject2.getJSONArray("data");
  29.         //JSONArray jsonArray1 = JSONArray.parseArray(JSON_ARRAY_STR);//因为JSONArray继承了JSON，所以这样也是可以的
  31.         //遍历方式1
  32.         int size = jsonArray.size();
  33.         for (int i = 0; i < size; i++){
  34.             JSONObject jsonObject = jsonArray.getJSONObject(i);
  35.             if(jsonObject.containsKey("question"))
  36.             {
  37.                 JSONObject jsonObject3 = jsonObject.getJSONObject("question");
  38.                 String qid = jsonObject3.getString("qid");
  39.                 System.out.println(qid);
  40.             }
  42.         }
  43.     }
  44. }

fastjson补充

json字符串-数组类型与JSONArray之间的转换

  1. /**
  2.      * json字符串-数组类型与JSONArray之间的转换
  3.      */
  4.     public static void testJSONStrToJSONArray(){
  6.         JSONArray jsonArray = JSON.parseArray(JSON_ARRAY_STR);
  7.         //JSONArray jsonArray1 = JSONArray.parseArray(JSON_ARRAY_STR);//因为JSONArray继承了JSON，所以这样也是可以的
  9.         //遍历方式1
  10.         int size = jsonArray.size();
  11.         for (int i = 0; i < size; i++){
  12.             JSONObject jsonObject = jsonArray.getJSONObject(i);
  13.             System.out.println(jsonObject.getString("studentName")+":"+jsonObject.getInteger("studentAge"));
  14.         }
  16.         //遍历方式2
  17.         for (Object obj : jsonArray) {
  18.             JSONObject jsonObject = (JSONObject) obj;
  19.             System.out.println(jsonObject.getString("studentName")+":"+jsonObject.getInteger("studentAge"));
  20.         }
  21.     }

复杂json格式字符串与JSONObject之间的转换

  1. /**
  2.      * 复杂json格式字符串与JSONObject之间的转换
  3.      */
  4.     public static void testComplexJSONStrToJSONObject(){
  6.         JSONObject jsonObject = JSON.parseObject(COMPLEX_JSON_STR);
  7.         //JSONObject jsonObject1 = JSONObject.parseObject(COMPLEX_JSON_STR);//因为JSONObject继承了JSON，所以这样也是可以的
  9.         String teacherName = jsonObject.getString("teacherName");
  10.         Integer teacherAge = jsonObject.getInteger("teacherAge");
  11.         JSONObject course = jsonObject.getJSONObject("course");
  12.         JSONArray students = jsonObject.getJSONArray("students");
  14.     }

另一个实例（采集悟空问答某个问题的评论信息）

  1. package com.company;
  2. import org.jsoup.Connection;
  3. import org.jsoup.Jsoup;
  4. import org.jsoup.nodes.Document;
  5. import org.jsoup.nodes.Element;
  6. import org.jsoup.select.Elements;
  8. import java.io.*;
  10. public class meizi {
  13.     public static void main(String[] args) {
  14.         // 利用Jsoup获得连接
  15.         Connection connect = Jsoup.connect("https://www.wukong.com/question/6586953004245582083/");
  16.         try {
  17.             // 得到Document对象
  18.             Document document = connect.get();
  20.             Elements elements = document.select(".question-name");
  21.             System.out.println(elements.get(0).text());
  23.             Elements elements2 = document.select(".answer-item");
  24.             for(Element element : elements2)
  25.             {
  26.                 Elements elements3  = element.select(".answer-user-avatar img");
  27.                 System.out.println(elements3.attr("abs:src"));
  29.                 elements3  = element.select(".answer-user-name");
  30.                 System.out.println(elements3.text());
  32.                 elements3  = element.select(".answer-user-tag");
  33.                 System.out.println(elements3.text());
  35.                 elements3  = element.select(".answer-text");
  36.                 System.out.println(elements3.text());
  37.             }
  39.         } catch (IOException e) {
  40.             e.printStackTrace();
  41.         }
  42.     }
  43. }

发表评论

表情：
评论列表 （有 0 条评论，464人围观）

还没有评论，来说两句吧...

相关阅读

    相关 jsoup

    jsoup 是一款 Java 的 HTML 解析器，可直接解析某个 URL 地址、HTML 文本内容。它提供了一套非常省力的 API，可通过 DOM，CSS 以及类似于 jQu

    桃扇骨桃扇骨/ 0 赞/ 258 阅读

    相关 jsoup

    一、Jsoup概述 1.1、简介     jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，

    ゝ一纸荒年。ゝ一纸荒年。/ 0 赞/ 353 阅读

    相关 Jsoup笔记

    1. 什么是Jsoup Jsoup是一款Java 的HTML(html也是XML文档)解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的AP

    柔情只为你懂柔情只为你懂/ 0 赞/ 381 阅读

    相关 爬虫Jsoup

    爬虫Jsoup 简介 导入jar 简单示例 简介 Jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提

    旧城等待，旧城等待，/ 0 赞/ 703 阅读