利用爬虫技术获取网页数据，以及想要的指定数据

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。