Jsoup网页内容抓取分析

最新推荐文章于 2023-09-21 16:46:41 发布

zygzzp

最新推荐文章于 2023-09-21 16:46:41 发布

阅读量2.8k

点赞数

分类专栏：其他文章标签： java 爬虫 jsoup

其他专栏收录该内容

15 篇文章 0 订阅

订阅专栏

在Java 程序在解析HTML 文档时，大家应该晓得htmlparser 这个开源项目，我也是使用过，不过这个程序到了2006年就没有更新了。由于我的基础较差，对于扩展自定义的标签还是不太懂，还是有超时问题困扰，偶然的机会中发现有jsoup，而且更新到了1.72版，使用起来还是很容易上手的。下面写些使用心得：

jsoup is a Java library for working with real-world HTML. It provides a very convenient API for extracting and manipulating data, using the best of DOM, CSS, and jquery-like methods.

jsuop是一款java的html解析器，提供一套非常省力的API，通过dom模型css和类似于jquery的方式来获取和操作数据。

功能：1.解析一个Html文档，2.解析一个body片段

    Java代码   
    
  
 String html = "<html><head><title>First parse</title></head>"  
   + "<body><p>Parsed HTML into a doc.</p></body></html>";  
 Document doc = Jsoup.parse(html);//分析文档，使用doc.toString()可以转为文本  
 Element body=doc.body();//获取body片段，使用body.toString()可以转为文本  

获取方式：1.从本地文件加载 2.根据url地址获取

    Java代码   
    
  
 /**使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法 
  *其中baseUri参数用于解决文件中URLs是相对路径的问题。 
  *如果不需要可以传入一个空的字符串。 
  */  
 File input = new File("/tmp/input.html");  
 Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");  

    Java代码   
    
  
 /** 
  *根据url直接获取内容，可以加入超时，get方法不行，就用post方法 
  *我在实际应用中，出现404,405,504等错误信息 
  *将get改为post就可以，或者反过来改 
  *如果等以后弄明白了，再来解释清楚 
  */  
 Document doc1 = Jsoup.connect("http://www.hao123.com/").get();  
 String title = doc1.title(); //获取网页的标题  
 String content=doc1.toString();//将网页转为文本  
   
 Document doc2 = Jsoup.connect("http://www.hao123.com")  
   .data("query", "Java")//请求参数  
   .userAgent("Mozilla")//设置urer-agent  
   .cookie("auth", "token")//设置cookie  
   .timeout(50000)//设置连接超时  
   .post();//或者改为get  
 经过我的测试使用，jsoup分析网页结构和内容的功能远远强大于HtmlParser,无论是获取整个页面的文本，还是分析特定内容的网页结构，都是十分的方便。
  
         附上链接：jsoup官网：http://jsoup.org/ ，中文jsoup：http://www.open-open.com/jsoup/
      下面写些我的使用记录，希望大家如果能从我的方法中得到启发，鉴于本人从事开发工作不久，内容可能写的不是很好。
  
      jsoup数据获取有两大方法：1.通过分析dom模型的网页标签和元素，2.select元素选择器，类似jquery方式（功能很强大，还支持正则表达式）。网页tag标签有body，div，table，tr，td，a，等等。元素的属性有，href，title，width，height，color等等，元素属性的值就是，例如：href=“www.baidu.com”, 值就是www.baidu.com 。width=“98%” 值就是98%
      
       下面就以分析http://www.iteye.com首页的每日资讯为例，抓取每日资讯的标题和url地址，详细写出分析步骤：
  
        1.用chrome浏览器的元素审查，分析页面的结构，得到每日资讯是div class=<main_left>层里面
 
  
      2.写程序分析，首先根据url获取div文本，再来根据文本对内容进行分析
  

       Java代码   
       
     
 /** 
  * 根据jsoup方法获取htmlContent 
         * 加入简单的时间记录 
  * @throws IOException  
  */  
 public static String getContentByJsoup(String url){  
     String content="";  
     try {  
         System.out.println("time=====start");  
         Date startdate=new Date();  
         Document doc=Jsoup.connect(url)  
         .data("jquery", "java")  
         .userAgent("Mozilla")  
         .cookie("auth", "token")  
         .timeout(50000)  
         .get();  
         Date enddate=new Date();  
         Long time=enddate.getTime()-startdate.getTime();  
         System.out.println("使用Jsoup耗时=="+time);  
         System.out.println("time=====end");  
         content=doc.toString();//获取iteye网站的源码html内容  
         System.out.println(doc.title());//获取iteye网站的标题  
     } catch (IOException e) {  
         e.printStackTrace();  
     }  
     System.out.println(content);   
     return content;  
 }  
  
      3. 根据整个每日资讯所在的div层，获取那段内容（精确获取）
  

       Java代码   
       
     
        /** 
  * 使用jsoup来对文档分析 
         * 获取目标内容所在的目标层 
         * 这个目标层可以是div，table，tr等等 
  */  
 public static String getDivContentByJsoup(String content){  
     String divContent="";  
     Document doc=Jsoup.parse(content);  
     Elements divs=doc.getElementsByClass("main_left");  
     divContent=divs.toString();  
       //System.out.println("div==="+divContent);  
     return divContent;  
 }  
     
      4.根据获取的目标层得到你所要的内容（title，url地址...等等）
  
       

       Java代码   
       
     
 /** 
      * 使用jsoup分析divContent 
      * 1.获取链接 2.获取url地址（绝对路径） 
      */  
     public static void getLinksByJsoup(String divContent){  
         String abs="http://www.iteye.com/";  
         Document doc=Jsoup.parse(divContent,abs);  
         Elements linkStrs=doc.getElementsByTag("li");  
         System.out.println("链接==="+linkStrs.size());  
         for(Element linkStr:linkStrs){  
             String url=linkStr.getElementsByTag("a").attr("abs:href");  
             String title=linkStr.getElementsByTag("a").text();  
             System.out.println("标题:"+title+" url:"+url);  
         }  
     }  
  
      5.加入main方法里面执行测试
  

       Java代码   
       
     
 /** 
      * @method 测试获取内容程序 
      */  
     public static void main(String[] args) throws IOException {  
           
         /** 
          * 执行分析程序 
          */  
         String url="http://www.iteye.com/";  
         String HtmlContent=getContentByJsoup(url);  
         String divContent=getDivContentByJsoup(HtmlContent);  
         getLinksByJsoup(divContent);  
     }  
  
      6.附上结束语：jsoup功能很好很强大，附上的只是简单的使用方法，还有很多需要完善的内容，我其实使用也不到几天的时间。还有就是select功能还是很好用的，具体参考官方文档，写的非常的通俗易懂
 
 
 感兴趣的也可以试试htmlcleaner+xpath的组合