Android基于Jsoup的网络爬虫(1)

​随着网络的迅速发展,互联网成为大量信息的载体，如何有效的利用这些信息成为巨大的挑战。区别于搜索引擎，定向抓取相关网页资源的网络爬虫应用而生，可以根据既定的抓取目标有效的选择网络上需要的网页资源和信息。如用户想获得知乎豆瓣等网站上的主要数据进行分析，如用户想获得某个论坛贴吧内的所有图片等，把这项工作交给网络爬虫，可以大大提高人们的效率。

二、Jsoup简介

---

Jsoup是一个 Java 的开源HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常方便的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

Jsoup主要有以下功能：

• 从一个字符串、文件或者一个 URL 中解析HTML

• 提供一系列方法对HTML进行数据抽取

• 对HTML元素、属性、文本进行操作

• 消除不受信任的HTML (来防止XSS攻击)

简言之，安卓跟web爬虫基本上没什么区别，都是通过请求获得响应。Android返回的是json格式的字符串，web返回的是页面，通过Jsoup我们可以方便的对网页的数据进行操作。

三、Jsoup的配置

---

首先在Jsoup官网 https://jsoup.org/download 下载对应的jar包

并将下载的jar包导入项目的依赖库中

implementation ‘org.jsoup:jsoup:1.12.1’

然后在gradle中添加以下依赖

compile ‘org.jsoup:jsoup:1.12.1’

由于jsoup需要获取网络数据，所以需要添加网络权限

四、Jsoup的使用

---

1.从一个字符串、文件或者一个 URL 中解析HTML

String html = “”

• “

  Parsed HTML into a doc.

  ”;

Document doc = Jsoup.parse(html);

当对象是URL时，使用 Jsoup.connect(String url)方法:

Document doc = Jsoup.connect(“http://example.com/”).get();

String title = doc.title();

当URL请求为post方式而不是get方式时

Document doc = Jsoup.connect(“http://example.com”)

.data(“query”, “Java”)

.userAgent(“Mozilla”)

.cookie(“auth”, “token”)

.timeout(3000)

.post();

2.提供一系列方法对HTML进行数据抽取

Jsoup将HTML解析成Document后，可以使用一系列DOM方法:

File input = new File(“/tmp/input.html”);

Document doc = Jsoup.parse(input, “UTF-8”, “http://example.com/”);

Element content = doc.getElementById(“content”);

Elements links = content.getElementsByTag(“a”);

for (Element link : links) {

String linkHref = link.attr(“href”);

String linkText = link.text();

}

Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下：

查找元素

getElementById(String id)

getElementsByTag(String tag)

getElementsByClass(String className)

getElementsByAttribute(String key) (and related methods)

Element siblings: siblingElements(), firstElementSibling(), lastElementSibling(); nextElementSibling(), previousElementSibling()

Graph: parent(), children(), child(int index)

操作HTML和文本

append(String html), prepend(String html)

appendText(String text), prependText(String text)

appendElement(String tagName), prependElement(String tagName)

html(String value)

3.对HTML元素、属性、文本进行操作

在你解析一个Document之后可能想修改其中的某些属性值，然后再保存到磁盘或都输出到前台页面。

可以利用Jsoup进行如下操作:

Element div = doc.select(“div”).first(); //

div.html(“

lorem ipsum

”); //

lorem ipsum

div.prepend(“

First

”);//在div前添加html内容

div.append(“

Last

”);//在div之后添加html内容

// 添完后的结果:

First

lorem ipsum

Last

Element span = doc.select(“span”).first(); // One

span.wrap(“

• ”);

  // 添完后的结果:

• One

• 这是对一个HTML中内容元素的设置

  关于Jsoup的更多使用细节可以参考中文文档:https://www.open-open.com/jsoup/

  五、爬取数据的思路

  ---

  1.根据想要获取的资源，利用浏览器自带的审查元素功能(F12)获得想要的资源

  以知乎为例如下可见网页的各个元素的名称:

  

  2.利用Jsoup进行解析:

  这里主要的分析网站是https://www.zhihu.com/topic/19550874/hot

  因为Android的网络操作需要在不能在主线程运行，可以使用Thread+Handler或者AsyncTask获取数据并在主界面刷新UI。

  其次是数据的展示，将数据放在listView中即可，如果要加入下拉刷新或者上滑加载则需要额外的工作。

  以下是关键代码:

  /private class SearchTask extends AsyncTask<Void, Void, Boolean>

  {

  Context context;

  Map.Entry<String,String> topicURL;

  public SearchTask(Context context,Map.Entry<String,String> topicURL)

  {

  this.context = context;

  this.topicURL = topicURL;

  }

  @Override

  protected Boolean doInBackground(Void… voids)

  {

  Connection conn= Jsoup.connect(“https://www.zhihu.com/topic/” + topicURL.getValue()+ “/hot”);

  Document doc;

  自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

  深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

  因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

  

  

  

  

  

  

  既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

  由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

  如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

  😕/img-blog.csdnimg.cn/img_convert/6c361282296f86381401c05e862fe4e9.png)

  

  既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

  由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

  如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）