Android基于Jsoup的网络爬虫

• 提供一系列方法对HTML进行数据抽取

• 对HTML元素、属性、文本进行操作

• 消除不受信任的HTML (来防止XSS攻击)

简言之，安卓跟web爬虫基本上没什么区别，都是通过请求获得响应。Android返回的是json格式的字符串，web返回的是页面，通过Jsoup我们可以方便的对网页的数据进行操作。

三、Jsoup的配置

---

首先在Jsoup官网 https://jsoup.org/download 下载对应的jar包

并将下载的jar包导入项目的依赖库中

implementation ‘org.jsoup:jsoup:1.12.1’

然后在gradle中添加以下依赖

compile ‘org.jsoup:jsoup:1.12.1’

由于jsoup需要获取网络数据，所以需要添加网络权限

四、Jsoup的使用

---

1.从一个字符串、文件或者一个 URL 中解析HTML

String html = “”

• “

  Parsed HTML into a doc.

  ”;

Document doc = Jsoup.parse(html);

当对象是URL时，使用 Jsoup.connect(String url)方法:

Document doc = Jsoup.connect(“http://example.com/”).get();

String title = doc.title();

当URL请求为post方式而不是get方式时

Document doc = Jsoup.connect(“http://example.com”)

.data(“query”, “Java”)

.userAgent(“Mozilla”)

.cookie(“auth”, “token”)

.timeout(3000)

.post();

2.提供一系列方法对HTML进行数据抽取

Jsoup将HTML解析成Document后，可以使用一系列DOM方法:

File input = new File(“/tmp/input.html”);

Document doc = Jsoup.parse(input, “UTF-8”, “http://example.com/”);

Element content = doc.getElementById(“content”);

Elements links = content.getElementsByTag(“a”);

for (Element link : links) {

String linkHref = link.attr(“href”);

String linkText = link.text();

}

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：

查找元素

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)

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)

3.对HTML元素、属性、文本进行操作

在你解析一个Document之后可能想修改其中的某些属性值，然后再保存到磁盘或都输出到前台页面。

可以利用Jsoup进行如下操作:

Element div = doc.select(“div”).first(); //

div.html(“

lorem ipsum

”); //

lorem ipsum

div.prepend(“

First

”);//在div前添加html内容

div.append(“

Last

”);//在div之后添加html内容

// 添完后的结果:

First

lorem ipsum

Last

Element span = doc.select(“span”).first(); // One

span.wrap(“

• ”);

  // 添完后的结果:

• One

• 这是对一个HTML中内容元素的设置

  关于Jsoup的更多使用细节可以参考中文文档:https://www.open-open.com/jsoup/

  五、爬取数据的思路

  ---

  1.根据想要获取的资源，利用浏览器自带的审查元素功能(F12)获得想要的资源

  以知乎为例如下可见网页的各个元素的名称:

  

  2.利用Jsoup进行解析:

  这里主要的分析网站是https://www.zhihu.com/topic/19550874/hot

  因为Android的网络操作需要在不能在主线程运行，可以使用Thread+Handler或者AsyncTask获取数据并在主界面刷新UI。

  其次是数据的展示，将数据放在listView中即可，如果要加入下拉刷新或者上滑加载则需要额外的工作。

  以下是关键代码:

  /private class SearchTask extends AsyncTask<Void, Void, Boolean>

  {

  Context context;

  Map.Entry<String,String> topicURL;

  public SearchTask(Context context,Map.Entry<String,String> topicURL)

  {

  this.context = context;

  this.topicURL = topicURL;

  }

  @Override

  protected Boolean doInBackground(Void… voids)

  {

  Connection conn= Jsoup.connect(“https://www.zhihu.com/topic/” + topicURL.getValue()+ “/hot”);

  Document doc;

  try

  {

  doc = conn.get();

  Elements answerList = doc.select(“div[class=ContentItem AnswerItem]”);

  for (Element element : answerList)

  {

  Map<String, Object> map = new HashMap<>();

  //作者 标题

  JsonParser parser = new JsonParser();

  JsonObject data = parser.parse(element.attr(“data-zop”)).getAsJsonObject();

  String authorName = data.get(“authorName”).getAsString();

  String title = data.get(“title”).getAsString();

  map.put(“title”, title);

  //简略内容

  Elements spanContent = element.select(“span[class=RichText CopyrightRichText-richText]”);

  String minContent = spanContent.text();

  map.put(“content”, authorName+“:”+minContent);

  //赞数

  Elements likeCountButton = element.select(“button[class=Button VoteButton VoteButton–up]”);

  String likeCount = likeCountButton.text();

  map.put(“likeCount”, likeCount+“点赞”);

  //回答URL

  String url = element.getElementsByAttributeValue(“itemprop”, “url”).get(2).attr(“content”);