java爬虫jsoup_Java爬虫之利用Jsoup自制简单的搜索引擎

Jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。Jsoup的官方网址为： https://jsoup.org/， 其API使用手册网址为：https://jsoup.org/apidocs/ove... .

本次分享将实现的功能为：利用Jsoup爬取某个搜索词语(暂仅限英文)的百度百科的介绍部分，具体的功能介绍可以参考博客：Python爬虫——自制简单的搜索引擎。在上篇爬虫中我们用Python进行爬取，这次，我们将用Java来做爬虫，你没看错，就是Java.

在Eclipse中加入Jsoup包，下载网址为：https://jsoup.org/download .

爬虫的具体代码如下：

package baiduScrape;

/*

* 本爬虫主要利用Java的Jsoup包进行网络爬取

* 本爬虫的功能： 爬取百度百科的开头介绍部分

* 使用方法： 输入关键字(目前只支持英文)即可

*/

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import java.net.*;

import java.io.*;

import java.util.Scanner;

public class BaiduScrape {

public static void main(String[] args) {

Scanner input = new Scanner(System.in);

String baseUrl = "https://baike.baidu.com/item/";

String url = "";

// 如果输入文字不是"exit"，则爬取其百度百科的介绍部分，否则退出该程序

while(true) {

System.out.println("Enter the word(Enter 'exit' to exit):");

url = input.nextLine();

if(url.equals("exit")) {

System.out.println("The program is over.");

break;

}

String introduction = getContent(baseUrl+url);

System.out.println(introduction+'\n');

}

}

// getContent()函数主要实现爬取输入文字的百度百科的介绍部分

public static String getContent(String url){

// 利用URL解析网址

URL urlObj = null;

try{

urlObj = new URL(url);

}

catch(MalformedURLException e){

System.out.println("The url was malformed!");

return "";

}

// URL连接

URLConnection urlCon = null;

try{

urlCon = urlObj.openConnection(); // 打开URL连接

// 将HTML内容解析成UTF-8格式

Document doc = Jsoup.parse(urlCon.getInputStream(), "utf-8", url);

// 刷选需要的网页内容

String contentText = doc.select("div.lemma-summary").first().text();

// 利用正则表达式去掉字符串中的"[数字]"

contentText = contentText.replaceAll("\\[\\d+\\]", "");

return contentText;

}catch(IOException e){

System.out.println("There was an error connecting to the URL");

return "";

}

}

}

在上述代码中，url为输入词条(暂时仅限于英文)，进入while循环可一直搜索，当输入为’exit’时退出。contentText为该词条的百度百科简介的网页形式，通过正则表达式将其中的文字提取出来。代码虽然简洁，但是功能还是蛮强大的，充分说明Java也是可以做爬虫的。

接下来是愉快的测试时间：

本次分享到此结束，接下来也会持续更新Jsoup方面的相关知识，欢迎大家交流~~