一、首先是获取指定路径下的网页内容。&二、通过指定url获取,网页部分想要的数据。
package www.seach.test;
import java.io.BufferedInputStream;
import java.io.CharArrayWriter;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.Reader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.net.URLEncoder;
import java.util.ArrayList;
import java.util.Collection;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;
import java.util.Set;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
/**
* 抓取网页工具类
* @author g-gaojp
* @date 2016-7-10
*/
public class HttpUtils {
/**
* 获取网页数据
* @param urlStr 访问地址
* @param params 参数
* @param charset 字符编码
* @return
* @throws Exception
*/
public static String httpGet(String urlStr, Map<String, String> params,String charset) throws Exception {
StringBuilder sb = new StringBuilder();
if (null != params && params.size() > 0) {
sb.append("?");
Entry<String, String> en;
for (Iterator<Entry<String, String>> ir = params.entrySet().iterator(); ir.hasNext();) {
en = ir.next();
sb.append(en.getKey() + "=" + URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
}
}
URL url = new URL(urlStr + sb);
HttpURLConnection conn = (HttpURLConnection) url.openConnection();
conn.setConnectTimeout(5000);
conn.setReadTimeout(5000);
conn.setRequestMethod("GET");
if (conn.getResponseCode() != 200){
throw new Exception("请求异常状态值:" + conn.getResponseCode());
}
BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
Reader reader = new InputStreamReader(bis,charset);
char[] buffer = new char[2048];
int len = 0;
CharArrayWriter caw = new CharArrayWriter();
while ((len = reader.read(buffer)) > -1)
caw.write(buffer, 0, len);
reader.close();
bis.close();
conn.disconnect();
return caw.toString();
}
/**
* 获取网页数据
* @param urlStr 访问地址
* @param params 参数
* @return
* @throws Exception
*/
public static String httpGet(String urlStr, Map<String, String> params) throws Exception {
StringBuilder sb = new StringBuilder();
if (null != params && params.size() > 0) {
sb.append("?");
Entry<String, String> en;
for (Iterator<Entry<String, String>> ir = params.entrySet().iterator(); ir.hasNext();) {
en = ir.next();
sb.append(en.getKey() + "=" + URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
}
}
URL url = new URL(urlStr + sb);
HttpURLConnection conn = (HttpURLConnection) url.openConnection();
conn.setConnectTimeout(5000);
conn.setReadTimeout(5000);
conn.setRequestMethod("GET");
if (conn.getResponseCode() != 200)
throw new Exception("请求异常状态值:" + conn.getResponseCode());
BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
Reader reader = new InputStreamReader(bis,"gbk");
char[] buffer = new char[2048];
int len = 0;
CharArrayWriter caw = new CharArrayWriter();
while ((len = reader.read(buffer)) > -1)
caw.write(buffer, 0, len);
reader.close();
bis.close();
conn.disconnect();
//System.out.println(caw);
return caw.toString();
}
/**
* 从获得的网页的document中获取指定条件的内容
* @param document
* @param condition 条件
* @return
*/
public static String catchInfomationFromDocument(Document document , String condition , int position){
if(document != null){
Iterator<Element> iterator = document.select(condition).iterator();
if(iterator.hasNext()){
String str = iterator.next().text();
return str.substring(position).trim();
}
}
return null;
}
/**
* 判断从获得的网页的document中<br/>
* 获取指定条件的内容是否存在
* @param document
* @param condition 条件
* @return
*/
public static boolean isExistInfomation(Document document , String condition){
if(document != null){
Iterator<Element> iterator = document.select(condition).iterator();
if(iterator.hasNext()){
return true;
}
}
return false;
}
public static void main1(String[] args) throws Exception
{
// String str=WebCrawlerDemo.httpGet("http://10.255.16.199/folder/xjzd/RDportal01151264064965188/2824.page",null);
// System.out.println(str);
String str=HttpUtils.httpGet("http://10.255.16.199/folder/xjzd/RDportal01151264064965188/2824.page",null,"utf-8");
System.out.println(str);
}
public static void main(String[] args) throws Exception
{
Document doc = null;
try {
doc = Jsoup.connect("写自己的url").userAgent("Mozilla/5.0 (Windows NT 10.0; Trident/7.0; rv:11.0) like Gecko").timeout(30000).get();
} catch (IOException e) {
e.printStackTrace();
}
for(Iterator<Element> ir = doc.select(".title_0").iterator();ir.hasNext();){
System.out.println(ir.next().text());
}
}
}
对于那个select选择器,根据条件来选择,doc.select(“h3”).iterator(),对于Jsoup有以下规则:
jsoup 是一款基于Java 的HTML解析器,可直接解析某个URL地址或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jQuery的操作方法来取出和操作数据。
jsoup的强大在于它对文档元素的检索,Select方法将返回一个Elements集合,并提供一组方法来抽取和处理结果,要掌握Jsoup首先要熟悉它的选择器语法。
1、Selector选择器基本语法
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
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
3、Selector伪选择器语法
: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。