自学Java网络爬虫-Day2
文章目录
第一天主要介绍的是HttpClient的相关内容,它的作用是来抓取页面。但是抓取之后必须进行解析才能获得我们想要的信息,今天学习的Jsoup就可以完成html页面解析工作。使用的还是第一天的程序接着写。
Jsoup
1.Jsoup介绍
jsoup是java的html解析器,可直接解析url地址,html文本。它提供了很好用的API,可通过dom,css和类似于jQuery的方法去除和操作数据。
主要功能如下:
- 从一个url,文件或字符串中解析html;
- 使用DOM或css选择器来查找,去除数据;
- 可操作html元素、属性、文本。
2.加入依赖
加入jsoup、junit、commons-io和commons-lang3依赖到第一天的pom.xml中。现在pom.xml里加上httpclient、slf4j共有六个依赖。
<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.11.3</version>
</dependency>
<!-- https://mvnrepository.com/artifact/junit/junit -->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>
<!-- https://mvnrepository.com/artifact/commons-io/commons-io -->
<dependency>
<groupId>commons-io</groupId>
<artifactId>commons-io</artifactId>
<version>2.8.0</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.commons/commons-lang3 -->
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-lang3</artifactId>
<version>3.11</version>
</dependency>
3.第一个Test(解析url)
1.先在test->java下创建一个名为jsoup的包,然后新建一个名为JsoupFirstTest的java类
2.
3.运行testUrl()获得网站title的内容。
注意:虽然Jsoup可以替代HttpClient直接发起请求获取数据,但是实际开发时需要用到多线程、连接池、代理等方式,而Jsoup对这些支持并不是很好,所以仅仅作为html解析工具使用。
4.第二个Test(解析字符串)
1.在桌面上创建一个test.txt文件内容为:
<html>
<head>
<title>传智教育官网-一样的教育,不一样的品质</title>
</head>
<body>
<div class="city">
<h3 id="city_bj">北京中心</h3>
<fb : img src="/2018czgw/images/slogan.jpg" class="slogan"/>
<div class="city_in">
<div class="city_con" style="display : none;">
<ul>
<li id="test" class="class_a class_b">
<a href="http://www.itcast.cn" target="_blank">
<span class="s_name">北京</span>
</a>
</li>
<li>
<a href="http://sh.itcast.cn" target="_blank">
<span class="s_name">上海</span>
</a>
</li>
<li>
<a href="http://gz.itcast.cn" target="_blank">
<span abc="123" class="s_name">广州</span>
</a>
</li>
<ul>
<li>天津</li>
</ul>
</ul>
</div>
</div>
</div>
</body>
</html>
2.将扩展名.txt改为.html。之后操作的都是这个文件。
3.
4.其中"C:\Users\11473\Desktop\test.html"获取需要如下步骤:
- 右键test.html->创建快捷方式
- 右键新产生的快捷方式->属性
- 目标 :C:\Users\11473\Desktop\test.html,即为test.html的地址。
5.运行testString()
5.第三个Test(解析文件)
运行testFile()
6.第四个Test(使用dom方式遍历文档)
运行testDOM()
7.第五个Test(使用选择器语)
运行testData()
8.第六个Test(Selector选择器概述)
运行testSelector()
9.第七个Test(Selector选择器组合使用)
运行testSelector2()