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。

Jsoup官网
中文文档

导入依赖

不会maven可参考我的另一篇博客

   <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
如果文章对你有帮助，记得关注点赞收藏❤

Jsoup-爬取实战相关推荐

Jsoup：用Java也可以爬虫，怎么使用Java进行爬虫，用Java爬取网页数据，使用Jsoup爬取数据，爬虫举例：京东搜索
Jsoup:用Java也可以爬虫,怎么使用Java进行爬虫,用Java爬取网页数据,使用Jsoup爬取数据,爬虫举例:京东搜索一.资源为什么接下来的代码中要使用el.getElementsByTa ...
java爬虫问题二: 使用jsoup爬取数据class选择器中空格多选择怎么解决
问题描述: 在使用jsoup爬取其他网站数据的时候,发现class是带空格的多选择,如果直接使用doc.getElementsByClass("class的值"),这种方法获取不到 ...
第15讲：Selenium 爬取实战
在上一课时我们学习了 Selenium 的基本用法,本课时我们就来结合一个实际的案例来体会一下 Selenium 的适用场景以及使用方法. 1.准备工作在本课时开始之前,请确保已经做好了如下准备工作 ...
java jsoup爬取动态网页_java通过Jsoup爬取网页(入门教程)
一,导入依赖 org.jsoup jsoup 1.10.3 org.apache.httpcomponents httpclient 二,编写demo类注意不要导错包了,是org.jsoup.nod ...
实战 | webmagic爬取实战之爬取保险经纪人信息
介绍小小根据上次爬取经验,发现爬取的时候,信息不太完善,这次针对手机页面进行爬取. 查看手机页面相对于pc端口的页面,手机端的页面更容易爬取.通过网络信息,可以查看到是这个请求发起的网络信息.查看 ...
利用Jsoup爬取网页内容
jsoup的强大之处在这里就不多说,最近在写项目,需要爬取网页上的内容,自然想到的是利用Jsoup来处理,项目中是利用Jsoup爬取学校信息门户的新闻消息,然后放进客户端网页的html代码如下 &l ...
jsoup爬取王者荣耀所有英雄背景图片
jsoup爬取王者荣耀所有英雄背景图片 import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes. ...
jsoup爬取网站信息之《冰与火之歌》
使用jsoup爬取了下某个网站中的<冰与火之歌>信息,并将格式保存成了json格式到文本文件中. 具体执行的代码如下: public static void main(String[] a ...
android jsoup 课程表,使用jsoup爬取数据实现android课程表
说明:只是爬虫的一个实现案例,所以没有多做功能,只做了登录跟课表功能,课表有修改周次,单击课程显示课程详细信息等功能. 开发平台:Android Studio 界面使用TimetableView a ...
利用jsoup爬取百度网盘资源分享连接（多线程）（2）
之前的博客利用jsoup爬取百度网盘资源分享连接(多线程) 已经说明了怎么抓取数据,抓取完数据就是共享这些资源了,说白了就是搭建一个百度网盘资源搜索网站,我是利用WAMP搭建的. 主页面index. ...

Jsoup-爬取实战

文章目录

Jsoup

导入依赖

获取信息

数据筛选

Jsoup-爬取实战相关推荐

最新文章

热门文章