Java网络爬虫 Jsoup

一、Jsoup介绍

我们抓取到页面之后，还需要对页面进行解析。可以使用字符串处理工具解析页面，也可以使用正则表达式，但是这些方法都会带来很大的开发成本，所以我们需要使用一款专门解析html页面的技术。
jsoup is a Java library for working with real-world HTML. It provides a very convenient API for extracting and manipulating data, using the best of DOM, CSS, and jquery-like methods.

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。

这个给出jsoup的中文帮助文档https://www.open-open.com/jsoup/

jsoup的主要功能如下：
1.从一个URL，文件或字符串中解析HTML；
2.使用DOM或CSS选择器来查找、取出数据；
3.可操作HTML元素、属性、文本；

先加入Jsoup依赖：

!--Jsoup-->

<dependency>

    <groupId>org.jsoup</groupId>

    <artifactId>jsoup</artifactId>

    <version>1.10.3</version>

</dependency>

<!--测试-->

<dependency>

    <groupId>junit</groupId>

    <artifactId>junit</artifactId>

    <version>4.12</version>

</dependency>

<!--工具-->

<dependency>

    <groupId>org.apache.commons</groupId>

    <artifactId>commons-lang3</artifactId>

    <version>3.7</version>

</dependency>

<dependency>

    <groupId>commons-io</groupId>

    <artifactId>commons-io</artifactId>

    <version>2.6</version>

</dependency>

二、Jsoup解析

1、解析URL

Jsoup可以直接输入url，它会发起请求并获取数据，封装为Document对象

@Test

public void testJsoupUrl() throws Exception {

    //    解析url地址

    Document document = Jsoup.parse(new URL("http://www.itcast.cn/"), 1000);

    //获取title的内容

    Element title = document.getElementsByTag("title").first();

    System.out.println(title.text());

}

PS：虽然使用Jsoup可以替代HttpClient直接发起请求解析数据，但是往往不会这样用，因为实际的开发过程中，需要使用到多线程，连接池，代理等等方式，而jsoup对这些的支持并不是很好，所以我们一般把jsoup仅仅作为Html解析工具使用

2、解析字符串

先准备以下html文件

<html>

 <head>

  <title>传智播客官网-一样的教育,不一样的品质</title>

 </head>

 <body>

    <div class="city">

        <h3 id="city_bj">北京中心</h3>

        <fb:img src="/2018czgw/images/slogan.jpg" class="slogan"/>

        <div class="city_in">

            <div class="city_con" style="display: none;">

                <ul>

                    <li id="test" class="class_a class_b">

                        <a href="http://www.itcast.cn" target="_blank">

                            <span class="s_name">北京</span>

                        </a>

                    </li>

                    <li>

                        <a href="http://sh.itcast.cn" target="_blank">

                            <span class="s_name">上海</span>

                        </a>

                    </li>

                    <li>

                        <a href="http://gz.itcast.cn" target="_blank">

                            <span abc="123" class="s_name">广州</span>

                        </a>

                    </li>

                    <ul>

                        <li>天津</li>

                    </ul>

                </ul>

            </div>

        </div>

    </div>

 </body>

</html>

Jsoup可以直接输入字符串，并封装为Document对象

@Test

public void testJsoupString() throws Exception {

    //读取文件获取

    String html = FileUtils.readFileToString(new File("D:\\jsoup.html"), "UTF-8");

    //    解析字符串

    Document document = Jsoup.parse(html);

    //获取title的内容

    Element title = document.getElementsByTag("title").first();

    System.out.println(title.text());

}

3、解析文件

Jsoup可以直接解析文件，并封装为Document对象

@Test

public void testJsoupHtml() throws Exception {

    //    解析文件

    Document document = Jsoup.parse(new File("D:\\jsoup.html"),"UTF-8");

    //获取title的内容

    Element title = document.getElementsByTag("title").first();

    System.out.println(title.text());

}

4、使用dom方式遍历文档

关于dom的说明

HTML DOM 定义了访问和操作 HTML 文档的标准方法。
DOM 将 HTML 文档表达为树结构。

就像是下图这样的HTML dom树结构

w3school关于dom的教程：https://www.w3school.com.cn/htmldom/index.asp

元素获取
1.根据id查询元素getElementById
2.根据标签获取元素getElementsByTag
3.根据class获取元素getElementsByClass
4.根据属性获取元素getElementsByAttribute

//1.    根据id查询元素getElementById

Element element = document.getElementById("city_bj");

//2.   根据标签获取元素getElementsByTag

element = document.getElementsByTag("title").first();

//3.   根据class获取元素getElementsByClass

element = document.getElementsByClass("s_name").last();

//4.   根据属性获取元素getElementsByAttribute

element = document.getElementsByAttribute("abc").first();

element = document.getElementsByAttributeValue("class", "city_con").first();

元素中获取数据
1.从元素中获取id
2.从元素中获取className
3.从元素中获取属性的值attr
4.从元素中获取所有属性attributes
5.从元素中获取文本内容text

//获取元素

Element element = document.getElementById("test");

//1.   从元素中获取id

String str = element.id();

//2.   从元素中获取className

str = element.className();

//3.   从元素中获取属性的值attr

str = element.attr("id");

//4.   从元素中获取所有属性attributes

str = element.attributes().toString();

//5.   从元素中获取文本内容text

str = element.text();

5、Selector选择器

jsoup elements对象支持类似于CSS (或jquery)的选择器语法，来实现非常强大和灵活的查找功能。这个select 方法在Document, Element,或Elements对象中都可以使用。且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。
Select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。

tagname: 通过标签查找元素，比如：span
#id: 通过ID查找元素，比如：# city_bj
.class: 通过class名称查找元素，比如：.class_a
[attribute]: 利用属性查找元素，比如：[abc]
[attr=value]: 利用属性值来查找元素，比如：[class=s_name]

//tagname: 通过标签查找元素，比如：span

Elements span = document.select("span");

for (Element element : span) {

    System.out.println(element.text());

}

//#id: 通过ID查找元素，比如：#city_bjj

String str = document.select("#city_bj").text();

//.class: 通过class名称查找元素，比如：.class_a

str = document.select(".class_a").text();

//[attribute]: 利用属性查找元素，比如：[abc]

str = document.select("[abc]").text();

//[attr=value]: 利用属性值来查找元素，比如：[class=s_name]

str = document.select("[class=s_name]").text();

6、Selector选择器的组合使用

el#id: 元素+ID，比如： h3#city_bj
el.class: 元素+class，比如： li.class_a
el[attr]: 元素+属性名，比如： span[abc]
任意组合: 比如：span[abc].s_name
ancestor child: 查找某个元素下子元素，比如：.city_con li 查找"city_con"下的所有li
parent > child: 查找某个父元素下的直接子元素，比如：
.city_con > ul > li 查找city_con第一级（直接子元素）的ul，再找所有ul下的第一级li
parent > *: 查找某个父元素下所有直接子元素

//el#id: 元素+ID，比如： h3#city_bj

String str = document.select("h3#city_bj").text();

//el.class: 元素+class，比如： li.class_a

str = document.select("li.class_a").text();

//el[attr]: 元素+属性名，比如： span[abc]

str = document.select("span[abc]").text();

//任意组合，比如：span[abc].s_name

str = document.select("span[abc].s_name").text();

//ancestor child: 查找某个元素下子元素，比如：.city_con li 查找"city_con"下的所有li

str = document.select(".city_con li").text();

//parent > child: 查找某个父元素下的直接子元素，

//比如：.city_con > ul > li 查找city_con第一级（直接子元素）的ul，再找所有ul下的第一级li

str = document.select(".city_con > ul > li").text();

//parent > * 查找某个父元素下所有直接子元素.city_con > *

str = document.select(".city_con > *").text();