本文介绍了Java库Jsoup的使用，包括从URL解析HTML文档，使用DOM和CSS选择器提取数据，以及如何利用Jsoup进行网页图片的爬取。同时提到了其对多线程和网络连接管理的局限性。
简介
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 对多线程、连接池、代理等等的支持并不是很好，所以一般把 Jsoup 仅仅作为 HTML 解析工具使用。
-
功能
-
从一个 URL、文件或字符串中解析 HTML
-
使用 DOM 或 CSS 选择器来查找、取出数据
-
可操作 HTML 元素、属性、文本
-
-
引入依赖
<!--jsoup--> <dependency> <groupId>org.jsoup</groupId> <artifactId>jsoup</artifactId> <version>1.15.3</version> </dependency> -
解析 URL
/** * 方式一： */ public void jsoupTest() throws IOException { /** * 参数： * 1、url地址 * 2、超时时间 */ Document document = Jsoup.parse(new URL("http://www.xxx.com"),10000); // 使用标签选择器获取指定标签中的内容 // 获取第一个 title 标签元素的文本内容 String title = document.getElementsByTag("title").first().text(); }/** * 方式二： */ public void jsoupTest() throws IOException { // 连接到指定网站 Connection connection = Jsoup.connect("http://www.xxx.com"); // 获取网站页面上所有的 DOM 元素 Document document = connection.get(); } -
使用 DOM 方式遍历文档
-
元素获取
-
根据 ID 查询元素：
getElementById -
根据 标签 查询元素：
getElementByTag -
根据 Class 查询元素：
getElementByClass -
根据 属性 查询元素
getElementByAttribute
-
-
Element byId = document.getElementById("qxzxqm"); Elements byTag = document.getElementsByTag("img"); Elements byClass = document.getElementsByClass("schoolcon_right"); Elements byAttribute = document.getElementsByAttribute("rel"); -
使用 Jsoup API 获取元素
-
select() -
first() -
get() -
attr() -
......
-
-
在线 API：Jsoup (jsoup 1.6.3 API)
示例：爬取网站图片
import org.jsoup.Connection;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;
import utils.PrintLogThread;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.net.URL;
import java.util.ArrayList;
import java.util.List;
/**
* 爬取指定网址上的图片
*
* Tips：
* 若出现 403 错误则可能是由于“写入”访问被禁止而造成的
* 当试图将文件上载到目录或在目录中修改文件，但该目录不允许"写"访问时就会出现此种错误
*
* @author 秋玄
* @version 1.0
* @since 1.0
*/
public class App {
public static void main(String[] args) {
// 网站地址
String site = "https://xxx.xxx.com/";
// 图片保存路径
String filePath = "F://test";
// 自定义图片名称
String fileName = "img";
downloadImg(site,filePath,fileName);
}
/**
* 获取指定网站上所有图片
* @param website 指定网站的完整域名 包括请求协议，例如：www.xxx.com
* @param filePath 图片存放路径 例如：F://test
* @param fileName 图片名称 例如：xxx
*/
private static void downloadImg(String website,String filePath,String fileName) {
List<String> urlList = new ArrayList<>();
try {
// 获取网站图片的 src
// 连接到指定网站
Connection connection = Jsoup.connect(website);
// 获取网站页面上所有的 DOM 元素
Document document = connection.get();
// 获取所有的 img 元素
Elements imgs = document.getElementsByTag("img");
// 遍历 imgs
for (int i = 0; i < imgs.size(); i++) {
// 获取 img 元素的 src 属性
String src = imgs.get(i).attr("src");
// url地址以 “//” 开始，需要拼接请求协议
if (src.startsWith("//")){
src = "http:" + src;
}
// 路径为 空 或 “about:blank” 则不添加到 List 中
if (src.length() != 0 && !"about:blank".equals(src)) {
urlList.add(src);
}
// 下载图片
getImg(urlList,filePath,fileName);
// 记录日志到 log.txt 文件
PrintLogThread thread = new PrintLogThread("下载完成，第" + (i + 1) + "张图片",filePath + "//log.txt");
thread.start();
}
} catch (IOException e) {
throw new RuntimeException(e);
}
}
/**
* 下载指定 URL 的图片
* @param imgURL 图片地址的 list 集合
* @param filePath 图片存放路径
* @param fileName 图片文件名称
*/
private static void getImg(List<String> imgURL,String filePath,String fileName){
InputStream in = null;
FileOutputStream fos = null;
// 遍历图片地址 list 集合
for (int i = 0; i < imgURL.size(); i++) {
try {
URL url = new URL(imgURL.get(i));
in = url.openStream();
// 拼接文件存放路径及文件名
String path = appendPath(filePath,fileName,i);
// 将图片写入本地
fos = new FileOutputStream(path);
byte[] bytes = new byte[1024];
int count = in.read(bytes);
while(count != -1){
fos.write(bytes,0,count);
fos.flush();
count = in.read(bytes);
}
} catch (IOException e) {
throw new RuntimeException(e);
}finally {
// 释放资源
if (in != null) {
try {
in.close();
} catch (IOException e) {
throw new RuntimeException(e);
}
}
if (fos != null) {
try {
fos.close();
} catch (IOException e) {
throw new RuntimeException(e);
}
}
}
}
}
/**
* 拼接文件存放路径及文件名
* @param filePath 文件路径
* @param fileName 文件名
* @param i 文件编号
* @return 文件完整路径
* 格式：文件路径 + 文件名称 + _ + 文件编号 + 文件后缀（.jpg）
*/
private static String appendPath(String filePath,String fileName,Integer i) {
return filePath + "//" + fileName + "_" + (i + 1) + ".jpg";
}
}package utils;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.PrintStream;
import java.text.SimpleDateFormat;
import java.util.Date;
/**
* 日志工具类 - 记录日志
*
* @author 秋玄
* @version 1.0.0
* @since 1.0.0
*/
public class LoggerUtil {
/**
* 记录日志
* @param msg 需要记录的信息
* @param filePath 日志文件的路径
*/
public static void log(String msg,String filePath){
try {
// 指定一个日志文件
PrintStream printStream = new PrintStream(new FileOutputStream(filePath,true));
// 改变输出方向
System.setOut(printStream);
// 日期调用方法时的当前时间
Date now = new Date();
SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss SSS");
String strTime = sdf.format(now);
// 输出日志信息到日志文件
System.out.println(strTime + " ： " + msg);
} catch (FileNotFoundException e) {
throw new RuntimeException(e);
}
}
}
package utils;
public class PrintLogThread extends Thread{
private String msg;
private String filePath;
private PrintLogThread(){}
public PrintLogThread(String msg,String filePath){
this.msg = msg;
this.filePath = filePath;
}
@Override
public void run() {
LoggerUtil logger = new LoggerUtil();
logger.log(msg,filePath);
}
}<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>org.example</groupId>
<artifactId>JavaCrawler</artifactId>
<version>1.0-SNAPSHOT</version>
<properties>
<maven.compiler.source>8</maven.compiler.source>
<maven.compiler.target>8</maven.compiler.target>
</properties>
<dependencies>
<!-- Java网络爬虫工具 Jsoup -->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.14.3</version>
</dependency>
</dependencies>
</project>一 叶 知 秋，奥 妙 玄 心
1317
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
