Jsoup-爬取实战
文章目录
- Jsoup
- 导入依赖
- 获取信息
- 数据筛选
Jsoup
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。
爬虫可以用于搜索引擎,内容检索,数据采集分析等,十分强大,黑客感十足,不过不要为所欲为(面向监狱编程),要合理利用。
导入依赖
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.10.2</version>
</dependency>
获取信息
以在CSDN搜索jsoup为例,请求该URL,查看你所需信息标签的id或class,用Jsoup返回浏览器Document对象,然后可以用js的方法获取对象和操作。
package com.wzl.utils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;
public class HtmlParseUtil {
public static void main(String[] args) throws IOException {
//获取请求(需联网)
String url="https://so.csdn.net/so/search/s.do?q=jsoup&t=&u=";
//解析网页(Jsoup返回浏览器Document对象,可以使用Js的方法)
Document document=Jsoup.parse(new URL(url),60000);//设置60s超时
Elements elements=document.getElementsByClass("search-list J_search");
for (Element el:elements) {
System.out.println(el.html());
System.out.println("=================");
}
}
}
控制台输出结果
至此就获取到了我们想要的信息。
数据筛选
然后就是对获取到的数据进一步处理和解析,比如筛选标签内的核心内容等。使用前端document对象的方法,提取标题,地址,作者等,然后可以把这些数据再封装成你自己的类等,这里直接输出演示。 查找DOM元素
方法 |
用法 |
---|---|
getElementById(String id) |
通过id来获取 |
getElementsByTag(String tagName) |
通过标签名字来获取 |
getElementsByClass(String className) |
通过类名来获取 |
getElementsByAttribute(String key) |
通过属性名字来获取 |
getElementsByAttributeValue(String key, String value) |
通过指定的属性名字,属性值来获取 |
getAllElements() |
获取所有元素 |
package com.wzl.utils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;
public class HtmlParseUtil {
public static void main(String[] args) throws IOException {
//获取请求(需联网)
String url="https://so.csdn.net/so/search/s.do?q=jsoup&t=&u=";
//解析网页(Jsoup返回浏览器Document对象,可以使用Js的方法)
Document document=Jsoup.parse(new URL(url),60000);//设置60s超时
Elements elements=document.getElementsByClass("search-list J_search");
for (Element el:elements) {
//System.out.println(el.html());
String title=el.getElementsByTag("a").eq(0).text();//标题
String href=el.getElementsByTag("a").eq(0).attr("href");//博客地址(第一个<a>里)
String writer=el.getElementsByTag("a").eq(1).text();//作者(第二个<a>里)
String count=el.getElementsByClass("mr16").html();//浏览量
String time=el.getElementsByClass("date").html();//时间
System.out.println("标题:"+title);
System.out.println("地址:"+href);
System.out.println("作者:"+writer);
System.out.println("浏览量:"+count);
System.out.println("时间:"+time);
System.out.println("=================");
}
}
}
输出结果:
还可以用jsoup的选择器来进行筛选,也很方便:Element.select(String selector) 和 Elements.select(String selector) ,作用异曲同工,都是查找DOM元素,选择器对更复杂的筛选条件有优势。 引用官方文档介绍
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
总结爬取数据思路:获取请求、返回页面信息、筛选所需数据。
相关推荐(将爬取数据导出到Excel) POI和EasyExcel-你还在为导入导出数据苦恼吗?
原创不易,请勿转载(
本不富裕的访问量雪上加霜) 博主首页:https://blog.csdn.net/qq_45034708
- 使用sklearn做特征工程
- 【专业技术】CSS作用及用法
- 生产环境sql语句调优实战第六篇(r2笔记91天)
- 关于分区表的move操作(r2笔记90天)
- 简单分析oracle的数据存储(r2笔记89天)
- 机器学习线性分类算法:感知器原理
- 通过shell脚本来查看Undo中资源消耗高的sql(r2笔记88天)
- 关于分页查询的优化思路(r3笔记第7天)
- 用机器学习方法对影评与观影者情感判定
- 关于查看文件的几个小命令(r3笔记第6天)
- 关于纠结的recycle pool的设置(r3笔记第5天)
- 融会贯通学习trigger(r2笔记第4天)
- 完整的R语言预测建模实例-从数据清理到建模预测
- 利用回归模型预测数值型数据(代码)
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法