Java数据采集--2.使用Jsoup抓取开源中国

本节使用Jsoup获取网页源码，并且解析数据。
使用JSoup 解析网页，语法使用 JS，css，Jquery 选择器语法，方便易懂
抓取网站：http://www.oschina.net/news/list 开源中国-新闻资讯模块
基本工作：
1.创建好Java工程，包等基本工作。
2.导入Jsoup所依赖的jar包。官网下载地址如下：
http://jsoup.org/packages/jsoup-1.8.1.jar
3.创建JsoupDemo类。（类名自己随意，java基础，没必要多说吧）
核心内容
1.在main函数中使用Jsoup获取网页源码
String url = "http://www.oschina.net/news/list";
Document document = Jsoup.connect(url)
.userAgent("Mozilla/5.0 (Windows NT 6.1; rv:30.0) Gecko/20100101 Firefox/30.0")
.get();
此段代码意思为使用Jsoup链接url地址，并且返回封装该网页的html源码的Document树，userAgent为模拟浏览器头，get为使用get方式提交，关于connect的参数还有很多，请自行查看API学习。
2.分析网页源码
在目标网页上点击右键，火狐有使用FireBug查看元素，谷歌有审查元素，然后可以看到相应的源码和网页的对应情况。如下图（以后都以谷歌浏览器为例）：

可以看到我们所需要的数据都在id="RecentNewsList "的div下的class="List"的ul下，并且每一条都对应一个li标签，那么我们只需要找到class=”List”的ul，并且遍历它的li标签就可以获取到所有的信息的源码。代码如下：

Elements elements = document.select("#RecentNewsList .List > li");

这里说一下常用的选择器：
**#RecentNewsList 代表选择id="RecentNewsList "的标签 #为id选择器
.List 代表选择class="List"的标签 .为class选择器
li 表示li标签
‘>’ 只能选择子标签，直接为父元素后代的直系子元素，比如儿子，孙子关系，只能选择儿子。下一级的。**
select中可以写多个，注意使用空格隔开，也可以连续使用select。
3.遍历操作元素集（Elements）

for (Element element : elements) {
            Elements titleElement = element.select("h2 a");
            String title = titleElement.text();
            String link = titleElement.attr("href").trim();

            Elements dataElement = element.select(".date");
            Elements autherElement = dataElement.select("a");
            String auther = autherElement.text();
            autherElement.remove();
            String date = dataElement.text();
            String detail = element.select(".detail").text();

            System.out.println("链接：        " + "http://www.oschina.net"+link);
            System.out.println("标题：        " + title);
            System.out.println("作者：        " + auther);
            System.out.println("发布时间： " + date);
            System.out.println("详细信息： " + detail);
            System.out.println();
            System.out.println();

        }

程序运行结果如下：

也可以输出元素集的长度System.out.println(elements.size());

完整代码如下：

package demo;

import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

/**
 * 
 * 使用JSoup 解析网页，语法使用 JS，css，Jquery 选择器语法，方便易懂
 * 
 * Jsoup教程网：http://www.open-open.com/jsoup/
 * 
 * @author geekfly
 * 
 */
public class JsoupDemo {

    public static void main(String[] args) throws IOException {
        String url = "http://www.oschina.net/news/list";
        Document document = Jsoup.connect(url)
                .userAgent("Mozilla/5.0 (Windows NT 6.1; rv:30.0) Gecko/20100101 Firefox/30.0")
                .get();
        Elements elements = document.select("#RecentNewsList .List > li");
        for (Element element : elements) {
            Elements titleElement = element.select("h2 a");
            String title = titleElement.text();
            String link = titleElement.attr("href").trim();

            Elements dataElement = element.select(".date");
            Elements autherElement = dataElement.select("a");
            String auther = autherElement.text();
            autherElement.remove();
            String date = dataElement.text();
            String detail = element.select(".detail").text();

            System.out.println("链接：        " + "http://www.oschina.net"+link);
            System.out.println("标题：        " + title);
            System.out.println("作者：        " + auther);
            System.out.println("发布时间： " + date);
            System.out.println("详细信息： " + detail);
            System.out.println();
            System.out.println();

        }

        System.out.println(elements.size());

    }
}