org.jsoup.Jsoup类可以用来处理连接操作。在org.jsoup.Jsoup类中提供了connect(String url)方法来创建一个新连接,该方法的实现依赖于Java网络通信包java.net。在创建连接之后,可通过具体请求方法(GET或POST等)获取URL对应的HTML文件。
如需要采集某页面中的文本内容。首先,利用谷歌浏览器进行抓包,分析请求的URL、请求的方法、请求头、响应头等信息,详细操作请参考上章内容网络抓包。
程序3-1为Jsoup请求该网页的一种方式,这里使用get()方法执行请求,该方法返回一个Document类型的对象,使用Element类中的html()方法可以将Document类型的对象转化为String类型。
//程序3-1
public class JsoupConnectUrl {
public static void main(String[] args) throws IOException {
//通过Jsoup创建和url的连接
Connection connection = Jsoup.connect("https://searchcustomerexperience.techtarget.com/info/news");
//获取网页的Document对象
Document document = connection.get();
//输出HTML
System.out.println(document.html());
}
}
另外,也可以利用Jsoup先获取Response,再获取HTML内容,如程序3-2所示。在获取响应时,method(Method method)方法中的参数为具体的HTTP请求方法,这里一共有8种,详情请参考2.4 HTTP请求方法。 在程序3-2中,设置的请求方法为GET,程序输出的结果包括请求的URL、响应状态码、响应数据类型、响应状态信息以及HTML文件。如果将程序中的请求方法设置为HEAD,重新运行程序,则会发现无法输出HTML文件,但能获取到响应头信息。
//程序3-2
public class JsoupConnectUrl {
public static void main(String[] args) throws IOException {
//获取响应
Connection.Response response = Jsoup.connect("https://searchcustomerexperience.techtarget.com/info/news").method(Connection.Method.GET).execute();
URL url = response.url();
//获取请求的URL
System.out.println("请求的URL为:" + url);
//获取响应状态码
int statusCode = response.statusCode();
System.out.println("响应状态码为:" + statusCode);
//获取响应数据类型
String contentType = response.contentType();
System.out.println("响应类型为:" + contentType);
//获取响应信息
String statusMessage = response.statusMessage();
System.out.println("响应信息为:" + statusMessage);
//判断响应状态码是否为200
if (statusCode == 200) {
//通过这种方式可以获得响应的HTML文件
String html = new String(response.bodyAsBytes(),"gbk");
//获取html内容,但对应的是Document类型
Document document = response.parse();
//这里html和document数据是一样的,但document是经过格式化的
System.out.println(document);
System.out.println(html);
}
}
}