爬虫初识jsoup

学习了几天爬虫，发现jsoup这款工具非常好用。对于初学者解析html文件方便，可以满足简单的要求。首先jsoup要下载jar包，然后配置路径添加外部jar文件。。代码就已我的博客为例。参考jsoup中文API
Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下：

getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key) (and related methods)
Element siblings: siblingElements(), firstElementSibling(), lastElementSibling(); nextElementSibling(), previousElementSibling()
Graph: parent(), children(), child(int index)
元素数据
attr(String key)获取属性attr(String key, String value)设置属性
attributes()获取所有属性
id(), className() and classNames()
text()获取文本内容text(String value) 设置文本内容
html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
outerHtml()获取元素外HTML内容
data()获取数据内容（例如：script和style标签)
tag() and tagName()
操作HTML和文本
append(String html), prepend(String html)
appendText(String text), prependText(String text)
appendElement(String tagName), prependElement(String tagName)
html(String value)

从一个URL加载一个Document

解决方法
使用 Jsoup.connect(String url)方法:

Document doc = Jsoup.connect("http://example.com/").get();
String title = doc.title();
说明
connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。如果从该URL获取HTML时发生错误，便会抛出 IOException，应适当处理。

Connection 接口还提供一个方法链来解决特殊请求，具体如下：

Document doc = Jsoup.connect("http://example.com")
  .data("query", "Java")
  .userAgent("Mozilla")
  .cookie("auth", "token")
  .timeout(3000)
  .post();
这个方法只支持Web URLs (http和https 协议); 假如你需要从一个文件加载，可以使用 parse(File in, String charsetName) 代替。

import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class test {
	public static void main(String[] args) throws IOException
	{
		String url="https://blog.csdn.net/qq_40693171";
		Document doc=Jsoup.connect(url).get();
	//	System.out.print(doc.html());//获取整个页面的html
		Elements links1=doc.select("a");
	//	System.out.println(links1);//将输出系列a开头<a href="https://blog.csdn.net/qq_40693171">好求窈窕</a>等等
		Elements links2=doc.select("a[onclick]");
	//	System.out.println(links2);//输出有onclick选项的内容
      //<a href="https://blog.csdn.net/qq_40693171/article/details/79695414#comments" title="评论次数" οnclick=********>
		Elements links3=doc.select("a[href]");
		System.out.println(links3);//输出a开头且拥有href标签的内容
		//<a href="https://blog.csdn.net/qq_40693171?viewmode=contents"><span onclick
		Element links4=doc.getElementById("popuLayer_js_q");//;按照id选取，因为id只有一个，所以这个links4为element
		//System.out.print(links4);
		Elements links5=doc.getElementsByClass("panel_body itemlist");//阅读排行
		//System.out.println(links5);输出我博客的阅读排行栏目
		Elements links6=doc.getElementsByTag("script");//按照标签 比如<a href**>的a  <script src=**>的script标签
		//System.out.println(links6);
		//<script src="https://csdnimg.cn/pubfooter/js/publib_footer-1.0.3.js?v201804111810" type="text/javascript"></script>
		/*
		 * 假设要输入所有链接
		 * 上面只是初步选取，仍然不是最终想要的内容
		 */
		
		for(Element link:links3)//遍历数组
		{
			String a1=link.attr("href");//每个元素都有链接的属性href="https" 操作就像是hasmap一样的映射关系。
			System.out.print(a1);//https://blog.csdn.net/qq_40693171
			String a2=link.text();
			System.out.println(a2);//好求窈窕  ***
		}
	}
}

输出：

• 如果对后端、爬虫等感性趣欢迎关注我的个人公众号交流：bigsai
•