【Jsoup爬取网页内容】

最新推荐文章于 2023-07-09 21:26:23 发布

司机大傻

最新推荐文章于 2023-07-09 21:26:23 发布

阅读量4.7k

点赞数 3

分类专栏：趣味编程文章标签：采集 Jsoup 爬虫

本文链接：https://blog.csdn.net/tianxuzhang/article/details/17338981

版权

趣味编程专栏收录该内容

2 篇文章 0 订阅

订阅专栏

思路：根据给定URL分析其源码，得到所需的网页内容的位置，制定规则采集或下载之

采集的图片和文字示例：

tags:
tag:brazil
tag:dog
tag:pet
tag:pointyfaceddog
tag:Pets Around the World
imageUrl:http://farm2.staticflickr.com/1241/1050065123_9739d1283a_z.jpg

：

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileOutputStream;
import java.io.FileWriter;
import java.io.IOException;
import java.io.InputStream;
import java.net.URL;
import java.net.URLConnection;

import org.jsoup.*;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
/**
 * @author ZTX
 * jsoup下载测试
 */
public class TestSoup {
  //待采集网址
    private static String url = "http://www.flickr.com/photos/9339954@N03/1050065123/in/photolist-2AMRM6-3JesJx-4n7zTL-4sVi7P-4t3yt6-4Ay5SR-4SV4Dz-57LhgB-5g78Rp-5huiYa-5jmQqP-5qawPz-5qaAFP-5qeRNy-5qf2gd-5qfdSQ-5qfe33-5qfKSf-5wYskN-5XxHra-5YcEX1-64zW7q-66U2Lp-67nNta-6aJgvN-6eFSCL-6fiVqR-6ghPXc-6nFAhA-6oZZso-6uQTsi-6vizoJ-6Dpn3e-6EuENc-6QK6TG-6Z4BBW-7347jr-7347nt-7347ra-7347ta-754FLt-78SRmT-7jdxPt-7vNc4q-h3h9sV-9JA3zQ-h3oJ39-h3gL6w-hrN3DF-ek7Tkt-9JA8ns";
  //采集的图片存放路径
    private static String imgPath = "./download/img.jpg";
    
    public static void main(String []args){
        // 采集和下载
	 getHTML(url);
	 downloadImg(getFlickrImgUrl(url),imgPath);
    }

    /**
     * @param url
     * 根据网址采集网页HTML文字内容
     */
    private static void getHTML(String url) {
	// 使用jsoup选择器语法，链接传递过来的url，并赋值给Document
        Document doc;
	try {
	    doc = Jsoup.connect(url).get();
	    Element tagsUL = doc.getElementById("thetags");//tags ul
	    Elements tags =tagsUL.getElementsByTag("li");
	    System.out.println("tags:");  
	    for(Element i:tags) {  
                 String tag=i.tagName();  
                 System.out.println("tag:"+i.text());  
	    } 
	} catch (IOException e) {
	    e.printStackTrace();
	}

    }

    /**
     * 根据图片网址下载图片
     * 2013-12-15 20:41:54
     * @param realurl
     */
    private static void downloadImg(String imageUrl,String imgPath) {
	try {
	    //下载
	    URL   downloadUrl   =   new   URL( imageUrl); 
	    URLConnection   uc   =   downloadUrl.openConnection(); 
	    InputStream   is   =   uc.getInputStream(); 
	    File   file   =   new   File( imgPath); 
	    FileOutputStream   out   =   new   FileOutputStream(file); 
	    int   i=0; 
	    while   ((i=is.read())!=-1)   { 
	    out.write(i); 
	    } 
	    is.close();
	} catch (IOException e) {
	    e.printStackTrace();
	}
    }

    /**
     * 根据网址得到图片URL
     * 2013-12-15 20:41:17
     * @param url
     * @return
     * @throws IOException
     */
    private static String getFlickrImgUrl(String url) {
	Document doc = null;
	try {
	    doc = Jsoup.connect(url).get();
	} catch (IOException e) {
	    e.printStackTrace();
	}
	String imageUrl = doc
		.getElementById("main-photo-container")
		.getElementsByTag("img")
		.first()
		.absUrl("src");
	System.out.println("imageUrl:"+imageUrl);
	return imageUrl;
    }
}

jsoup解析有很多种方法能得到同样的结构，就看你想用哪种思路。
有用id定位的有用tagname获取的有用class 获取的

常用的方法如下:
jsoup提供类似JS获取html元素：
getElementById(String id) 用id获得元素
getElementsByTag(String tag) 用标签获得元素
getElementsByClass(String className) 用class获得元素
getElementsByAttribute(String key) 用属性获得元素
同时还提供下面的方法提供获取兄弟节点：siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()

获得与设置元素的数据
attr(String key) 获得元素的数据 attr(String key, String value) 设置元素数据
attributes() 获得所以属性
id(), className() classNames() 获得id class得值
text()获得文本值
text(String value) 设置文本值
html() 获取html
html(String value)设置html
outerHtml() 获得内部html
data()获得数据内容
tag() 获得tag 和 tagName() 获得tagname

操作html元素：
append(String html), prepend(String html)
appendText(String text), prependText(String text)
appendElement(String tagName), prependElement(String tagName)
html(String value)

jsoup还提供了类似于JQuery方式的选择器
采用选择器来检索数据
tagname 使用标签名来定位，例如 a
ns|tag 使用命名空间的标签定位，例如 fb:name 来查找 <fb:name> 元素
#id 使用元素 id 定位，例如 #logo
.class 使用元素的 class 属性定位，例如 .head
* 定位所有元素
[attribute] 使用元素的属性进行定位，例如 [href] 表示检索具有 href 属性的所有元素
[^attr] 使用元素的属性名前缀进行定位，例如 [^data-] 用来查找 HTML5 的 dataset 属性
[attr=value]使用属性值进行定位，例如 [width=500] 定位所有 width 属性值为 500 的元素
[attr^=value],[attr$=value],[attr*=value] 这三个语法分别代表，属性以 value 开头、结尾以及包含
[attr~=regex]使用正则表达式进行属性值的过滤，例如 img[src~=(?i)\.(png|jpe?g)]
以上是最基本的选择器语法，这些语法也可以组合起来使用

组合用法
el#id 定位id值某个元素，例如 a#logo -> <a id=logo href= … >
el.class 定位 class 为指定值的元素，例如 div.head -> <div class=head>xxxx</div>
el[attr] 定位所有定义了某属性的元素，例如 a[href]
以上三个任意组合例如 a[href]#logo 、a[name].outerlink

除了一些基本的语法以及这些语法进行组合外，jsoup 还支持使用表达式进行元素过滤选择
:lt(n) 例如 td:lt(3) 表示小于三列
:gt(n) div p:gt(2) 表示 div 中包含 2 个以上的 p
:eq(n) form input:eq(1) 表示只包含一个 input 的表单
:has(seletor) div:has(p) 表示包含了 p 元素的 div
:not(selector) div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text) 包含某文本的元素，不区分大小写，例如 p:contains(oschina)
:containsOwn(text) 文本信息完全等于指定条件的过滤
:matches(regex) 使用正则表达式进行文本过滤：div:matches((?i)login)
:matchesOwn(regex) 使用正则表达式找到自身的文本