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。
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. ...
最新文章
- libcurl远程获取文件大小源码
- ip地址子网划分工具_大型视频监控网络系统如何规划ip地址?
- thinkphp-查询数据-基本查询
- [导入]ArcGIS破解克隆后出错问题解决
- oracle 丁勇 从零开始学_8.3.1 多表查询分类
- python curl 获取返回值_python获取系统命令的返回值 | curl in python
- HighGUI参考手册
- 结对编程项目作业2-开发环境搭建过程
- Linux IO模型
- 腾讯位置服务+微信小程序,一文告诉你程序员为什么不会坐过站!
- Microsoft Internet Explorer浏览器包含最新版本的内置Adobe Flash Player的解决办法
- pacpng文件格式说明
- 地理信息系统矢量数据的组织形式 第二章:数字表面模型
- AM信号的调制与解调
- 01—C语言基本语句
- LZY的游戏(YYOJ)
- html表单中添加手机短信认证,表单提交前验证短信验证码是否正确
- web页面上联系QQ客服功能实现——一行代码搞定
- 自从学会:用Python爬取虎牙颜值区美女主播照片后,身体一天不如一天
- vue如何在外部js 中 使用this