问题背景
使用java爬取拉勾网上职位信息。
首先,解析拉勾网职位信息网页,找出需要提取的信息并存入数据库。
之前尝试的方法:使用过解析json文件,但每个json文件只有15条信息,而且同一电脑多次访问网站会遇到限制(反爬虫)。
解析网页时使用正则表达式:优点:代码简介;缺点:正则表达式较为复杂,新手理解较为困难。
目前解决的办法:使用第三方库jsoup解析网页,获得想要的数据。
遇到的问题
需要使用类似于CSS或jQuery的语法来查找和操作元素。
方法
可以使用Element.select(String selector)
和 Elements.select(String selector)
方法实现:
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Elements links = doc.select("a[href]"); //带有href属性的a元素
Elements pngs = doc.select("img[src$=.png]"); //扩展名为.png的图片
Element masthead = doc.select("div.masthead").first(); //class等于masthead的div标签
Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素
说明
jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.
这个select
方法在Document
, Element
,或Elements
对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。
Select方法将返回一个Elements
集合,并提供一组方法来抽取和处理结果。
Selector选择器概述
tagname
: 通过标签查找元素,比如:a
ns|tag
: 通过标签在命名空间查找元素,比如:可以用 fb|name
语法来查找 <fb:name>
元素#id
: 通过ID查找元素,比如:#logo
.class
: 通过class名称查找元素,比如:.masthead
[attribute]
: 利用属性查找元素,比如:[href]
[^attr]
: 利用属性名前缀来查找元素,比如:可以用[^data-]
来查找带有HTML5 Dataset属性的元素[attr=value]
: 利用属性值来查找元素,比如:[width=500]
[attr^=value]
, [attr$=value]
, [attr*=value]
: 利用匹配属性值开头、结尾或包含属性值来查找元素,比如:[href*=/path/]
[attr~=regex]
: 利用属性值匹配正则表达式来查找元素,比如: img[src~=(?i)\.(png|jpe?g)]
*
: 这个符号将匹配所有元素
Selector选择器组合使用
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
伪选择器selectors
: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
可以查看Selector
API参考来了解更详细的内容
测试代码:
public static void main(String[] args) {
// TODO Auto-generated method stub
try {
Document document=Jsoup.connect("http://www.lagou.com/jobs/857555.html?source=position_rec&i=position_rec-0").get();
Element element=document.select("meta[name]").get(2);
/*获得含有工作名称、公司名称的字符串,之后可以进行进一步的解析*/
System.out.println(element.attr("content"));
/*获得工资字符串*/
Element salary=document.getElementsByTag("span").get(3);
System.out.println(salary.text());
/*获得公司地址*/
Element address=document.getElementsByTag("span").get(4);
System.out.println(address.text());
/ *获得工作经验*/
Element experience=document.getElementsByTag("span").get(5);
System.out.println(experience.text());
/*获得学历要求*/
Element education=document.getElementsByTag("span").get(6);
System.out.println(education.text());
/*查找领域、融资情况*/
Elements results=document.select(".c_feature").select("li");
/*领域*/
System.out.println(results.get(0).text());
/*融资*/
System.out.println(results.get(3).text());
} catch (IOException e) {
// TODO: handle exception
e.printStackTrace();
}
}
------------------------------------------------------------个人原创---------------------------------------------------------------------