【java爬虫】---爬虫+jsoup轻松爬博客

爬虫+jsoup轻松爬博客

最近的开发任务主要是爬虫爬新闻信息，这里主要用到技术就是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。这篇文章就讲通过jsoup爬虫的实际案例，下一篇再讲jsoup的具体文档。

主要爬虫对象就以我之前写的一篇博客：【java提高】---java反射机制

主要爬区的信息有

（1）该文章的标题

（2）该文章的二类标题

（3）发表时间

（4）阅读数量

一、案例演示

1、代码部分

package com.jincou.pachong;

import java.io.IOException;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

 /*
  * 这个案例你只需要看结果，具体的jsoup介绍下一篇博客会详细介绍
  */
public class Pachong {
     public static void main(String args[]){     

         //这个就是博客中的java反射的url
     final String url=  "https://www.cnblogs.com/qdhxhz/p/9230805.html";

        try {
        //先获得的是整个页面的html标签页面
         Document doc = Jsoup.connect(url).get();

         //获取正文标题，因为整片文章只有标题是用h1标签
         Elements btEl = doc.select("H1");
         String  bt=btEl.text();
         System.out.println("========正文标题======：");
         System.out.println(bt); 

       //获取二级标题
         Elements ejbtEls = doc.select("H2");
       //因为整片文章有多个二级标题所以进行拼接
         StringBuilder  ejbts=new  StringBuilder();
         for(Element el :ejbtEls) {
             ejbts.append(el.text());
             ejbts.append("\n");
         }
        String ejbt=ejbts.toString();
        System.out.println("=======二级标题=========：");
        System.out.println(ejbt); 

       //获取时间
       Elements timeEl = doc.select("#post-date");
       String  time=timeEl.text();
       System.out.println("========发布时间=========：");
       System.out.println("发布时间：" + time); 

       //获取阅读数量
       Elements readEl = doc.select("#post_view_count");
       String  read=readEl.text();
       System.out.println("========阅读数量=========：");
      System.out.println("阅读数量：" + read); 

        } catch (IOException e) {
            e.printStackTrace();
        }
 }
}

2、运行结果

注意：我们发现该篇文章的信息都已经爬到了，但是为什么阅读数量是...

二、案例讲解

首先我们要知道：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。上面这两点很关键，具体细说。

1、如何爬到正文标签

我们看到正文标题的html标签是h1标签，所以我们只要获得H1标签元素，就可以爬到文本。那么同样的二级标签也是通过H2标签爬到就可以。

2、如何获得发布时间

因为时间的标签id是post-date，所以可以通过id获得该标签元素。

3、为什么阅读数量是...

我们看到页面阅读是有的，但爬虫爬到确实...？

这是为什么呢，这点很重要。那是因为该静态页面初始加载的时候是没有阅读数量的，阅读数量是后来接口重新调取的。什么意思呢？其实很好理解所以你写一篇文章的时候像标题，内容，时间

等等是不太会变动的，但是你的阅读数量每访问一次都会改变，所以不可能把阅读数量和文章放在一张表里，而是分开放然后id关联就可以。这样就避免每次update文章表。所以静态页面初始是没有

阅读数量的。

那如何验证是不是这样。请看。

我们发现初始的html页面的阅读量和评论都是没有的，而是默认...,所以上面爬到的就是...

那如何能爬到真实的阅读量呢，这个就需要知道它真实的接口是什么，然后通过其它工具来爬，我们看下获取阅读量的真实接口。

既然知道阅读量的真实接口，那么爬到它也就简单了。

注意：通过这里我们要明白，只有html元素有的情况下，才能通过jsoup来爬虫，如果是这接口获得的数据，那么通过jsoup是无法获取到的。

有关jsoup也是自己的理解，如有不正确请留言指点。

想太多，做太少，中间的落差就是烦恼。想没有烦恼，要么别想，要么多做。中校【9】