文章目录
Jsoup在安卓中的应用场景举例
- 如果你想做一个资讯类的APP,那么可以使用jsoup去腾讯新闻、网易新闻、今日头条等资讯网站爬取相关的资讯内容。
- 如果你想做一个小说阅读APP,那么可以使用jsoup去一些免费的小说网站实时爬取内容然后放到APP里。
- 如果你做一个课程表的APP且需要获取教务系统的课程表,那么可以使用jsoup进行模拟登录然后爬取教务系统的课程表内容。
- 。。。。。。
相关基础知识简述
HTML简述
html是一种超文本标记语言。我们平时使用浏览器浏览的web页面几乎都是html格式的文本。下面是一个hello world的html页面的代码:
<html>
<head>
<title>a sample demo</title>
</head>
<body>
hello world
</body>
</html>
从上面的代码我们可以很直观的看出,html和xml语言很像都是树形结构,即一个根节点包含几个子节点,子节点又可以包含自己的子节点…。通常我们把html格式的这种树结构称为:文档树(dom树)
HTTP请求与响应的内容格式
Http请求包含四个部分的内容:
- 请求行(request line)
- 请求头(header)
- 空行
- 参数
抓包的request结构如下:
GET / HTTP/1.1
Host: jwgl.fjnu.edu.cn
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3
Referer: https://www.baidu.com/link?url=a98CxMug1u-J-RFk4E7kaP9hhk2EK8700MuPKT4cZYTTPG_urDB7Asq8TDNqQJFD&wd=&eqid=f7c332cc007927a4000000065cf20629
Accept-Encoding: gzip, deflate
Accept-Language: zh-CN,zh;q=0.9
Cookie: UM_distinctid=1696fc8ec3e1b0-0585ff9addbe6b-1333062-100200-1696fc8ec3f2f4; ASP.NET_SessionId=1uslg345bvgyqnny4yyjbz45
Connection: keep-alive
请求行:请求行只会有一行,且固定为第一行。在这里是GET / HTTP/1.1
请求头:Host
Upgrade-Insecure-Requests
… Cookie
Connection
这些都是请求头,每一行都是一个请求头 格式为键值对类型。
空行:请求头与参数之间会有一个空行
参数: 因为GET请求的参数是放在URL上的,所以这里的参数没有独占一行
HTTP响应也包含四个部分(这个比较重要):
- 状态行
- 消息报头(有时也俗称响应头)
- 空行
- 响应正文
Jsoup的库的主要API介绍
Jsoup
类是一个工具类,提供了一些静态函数,主要函数如下:
Jsoup.parse(String html)
该函数的作用是将传入的html格式的字符串解析成文档树,返回值是Document
对象。
Jsoup.parse(File in,String charsetName)
将文件的内容解析成Document
对象。
Jsoup.connect(String url)
根据传入的url返回一个Connection
对象,Connection
类的功能下面会介绍。
Element
类对应文档树中的节点元素,这个类的常用函数如下:
getElementsByClass(String className)
返回所有带有className类属性的孩子节点。
getElementById(String id)
返回对应id的子节点
getElementsByTag(String tagName)
返回标签为tagName的所有孩子节点
jsoup库有着很丰富的功能与API,需要详细了解可以查看官网API文档
Jsoup实例
在Android Studio中使用Jsoup库
在app模块下的build.gradle文件中的dependencies属性里添加一行内容
implementation group: 'org.jsoup', name: 'jsoup', version: '1.8.3'
实例一:使用jsoup解析HTML格式的字符串
String html = "<html>" +
"<head>" +
"<title>a sample demo</title>" +
"</head>" +
"<body>" +
"hello world" +
"</body>" +
"</html>";
Document doc = Jsoup.parse(html);//解析html字符串,获取document对象
Elements body = doc.getElementsByTag("body");//获取body标签的元素
Element element = body.get(0);//因为body是一个集合类型,所以需要取集合里的第一个元素
System.out.println(element.text());//打印元素的内容 hello world
String title = doc.title();//获取title值
System.out.println(title);
运行结果:
hello world
a sample demo
实例二:使用jsoup爬取福建师范大学官网首页的所有文章链接
public static void main(String[] args) throws IOException {
String url = "https://www.fjnu.edu.cn/";
Connection connect = Jsoup.connect(url);//获取连接对象
Document document = connect.get();//获取url页面的内容并解析成document对象
Elements as = document.getElementsByTag("a");//获取所有的a标签
for (int i = 0; i < as.size(); i++) {//遍历a标签
Element element = as.get(i);
String href = element.attr("href");//获取链接的url值
String text = element.text();//获取链接的标题
if(href.startsWith("http"))//筛选以http开头的链接
System.out.println(href+" "+text);
}
}
运行截图: