httpClient及jsoup抓取解析网页数据
来源:互联网 发布:工业造型设计书籍知乎 编辑:程序博客网 时间:2024/05/19 21:02
需要在网页上展示今日黄历信息,数据格式如下:
公历时间:2017年06月21日 星期三
农历时间:鸡年五月廿七
天干地支:丁酉年 丙午月 己卯日
宜:年破日,大事不宜
忌:年破日,大事不宜
主要包括公历/农历日期,以及忌宜信息的等。但是手里并没有现成的数据可供使用,怎么办呢?革命前辈曾经说过,没有枪,没有炮,敌人给我们造!网络上有很多现成的在线万年历应用可供使用,虽然没有现成接口,但是我们可以伸出手来,自己去拿。也就是所谓的数据抓取。
这里介绍两个使用的工具,httpClient以及jsoup,简介如下:
HttpClient是Apache Jakarta Common下的子项目,用来提供高效的、最新的、功能丰富的支持HTTP协议的客户端编程工具包,并且它支持HTTP协议最新的版本和建议。HttpClient已经应用在很多的项目中,比如Apache Jakarta上很著名的另外两个开源项目Cactus和HTMLUnit都使用了HttpClient。httpClient使用方法如下:
1. 创建HttpClient对象。
2. 创建请求方法的实例,并指定请求URL。
3. 调用HttpClient对象的execute(HttpUriRequest request)发送请求,该方法返回一个HttpResponse。
4. 调用HttpResponse相关方法获取相应内容。
5. 释放连接。
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。
接下来我们直接上代码,这里我们抓取2345在线万年历的数据 http://tools.2345.com/rili.htm
在myeclipse中建立项目:
其中所需要jar包的下载地址:
http://download.csdn.net/detail/m0_37739193/9876204
http://download.csdn.net/detail/m0_37739193/9876210
首先我们定义一个实体类Almanac来存储黄历数据:Almanac.java
package com.likx.picker.util;public class Almanac { private String solar; /* 阳历 e.g.2016年 4月11日 星期一 */ private String lunar; /* 阴历 e.g. 猴年 三月初五*/ private String chineseAra; /* 天干地支纪年法 e.g.丙申年 壬辰月 癸亥日*/ private String should; /* 宜e.g. 求子 祈福 开光 祭祀 安床*/ private String avoid; /* 忌 e.g. 玉堂(黄道)危日,忌出行*/ public String getSolar() { return solar; } public void setSolar(String date) { this.solar = date; } public String getLunar() { return lunar; } public void setLunar(String lunar) { this.lunar = lunar; } public String getChineseAra() { return chineseAra; } public void setChineseAra(String chineseAra) { this.chineseAra = chineseAra; } public String getAvoid() { return avoid; } public void setAvoid(String avoid) { this.avoid = avoid; } public String getShould() { return should; } public void setShould(String should) { this.should = should; } public Almanac(String solar, String lunar, String chineseAra, String should, String avoid) { this.solar = solar; this.lunar = lunar; this.chineseAra = chineseAra; this.should = should; this.avoid = avoid; }}
然后是抓取解析的主程序,写程序之前需要在官网下载需要的jar包:AlmanacUtil.java
package com.likx.picker.util;import java.io.IOException;import java.text.SimpleDateFormat;import java.util.Calendar;import java.util.Date;import org.apache.http.HttpEntity;import org.apache.http.ParseException;import org.apache.http.client.ClientProtocolException;import org.apache.http.client.methods.CloseableHttpResponse;import org.apache.http.client.methods.HttpGet;import org.apache.http.impl.client.CloseableHttpClient;import org.apache.http.impl.client.HttpClients;import org.apache.http.util.EntityUtils;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;public class AlmanacUtil { /** * 单例工具类 */ private AlmanacUtil() { } /** * 获取万年历信息 * @return */ public static Almanac getAlmanac(){ String url="http://tools.2345.com/rili.htm"; String html=pickData(url);// System.out.println("html-->"+html);//源代码信息 Almanac almanac=analyzeHTMLByString(html); return almanac; } /* * 爬取网页信息 */ private static String pickData(String url) { CloseableHttpClient httpclient = HttpClients.createDefault(); try { HttpGet httpget = new HttpGet(url);// System.out.println("httpget-->"+httpget); CloseableHttpResponse response = httpclient.execute(httpget);// System.out.println("response-->"+response); try { // 获取响应实体 HttpEntity entity = response.getEntity(); // 打印响应状态 if (entity != null) { return EntityUtils.toString(entity); } } finally { response.close(); } } catch (ClientProtocolException e) { e.printStackTrace(); } catch (ParseException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } finally { // 关闭连接,释放资源 try { httpclient.close(); } catch (IOException e) { e.printStackTrace(); } } return null; } /* * 使用jsoup解析网页信息 */ private static Almanac analyzeHTMLByString(String html){ String solarDate,lunarDate,chineseAra,should,avoid=" "; Document document = Jsoup.parse(html); //公历时间 solarDate=getSolarDate(); //农历时间 Element eLunarDate=document.getElementById("info_nong"); lunarDate=eLunarDate.child(0).html().substring(1,3)+eLunarDate.html().substring(11); //天干地支纪年法 Element eChineseAra=document.getElementById("info_chang"); chineseAra=eChineseAra.text().toString(); //宜 should=getSuggestion(document,"yi"); //忌 avoid=getSuggestion(document,"ji"); Almanac almanac=new Almanac(solarDate,lunarDate,chineseAra,should,avoid); return almanac; } /* * 获取忌/宜 */ private static String getSuggestion(Document doc,String id){ Element element=doc.getElementById(id); Elements elements=element.getElementsByTag("a"); StringBuffer sb=new StringBuffer(); for (Element e : elements) { sb.append(e.text()+" "); } return sb.toString(); } /* * 获取公历时间,用yyyy年MM月dd日 EEEE格式表示。 * @return yyyy年MM月dd日 EEEE */ private static String getSolarDate() { Calendar calendar = Calendar.getInstance(); Date solarDate = calendar.getTime(); SimpleDateFormat formatter = new SimpleDateFormat("yyyy年MM月dd日 EEEE"); return formatter.format(solarDate); }}
为了简单明了我把抓取解析抽象成了几个独立的方法,其中pickData()方法使用httpClient来抓取数据到一个字符串中(就是在网页上点击查看源代码看到的HTML源码),analyzeHTMLByString()方法来解析抓取到的字符串,getSuggestion方法把抓取方法类似的宜忌数据抽象到了一起,另外因为公历时间可以很容易的自己生成就没有在网页上爬取。
然后下面是一个测试类简单测试下效果:AlmanacUtilTest.java
package com.likx.picker.util;import java.io.IOException;import java.text.SimpleDateFormat;import java.util.Calendar;import java.util.Date;import org.apache.http.HttpEntity;import org.apache.http.ParseException;import org.apache.http.client.ClientProtocolException;import org.apache.http.client.methods.CloseableHttpResponse;import org.apache.http.client.methods.HttpGet;import org.apache.http.impl.client.CloseableHttpClient;import org.apache.http.impl.client.HttpClients;import org.apache.http.util.EntityUtils;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;public class AlmanacUtil { /** * 单例工具类 */ private AlmanacUtil() { } /** * 获取万年历信息 * @return */ public static Almanac getAlmanac(){ String url="http://tools.2345.com/rili.htm"; String html=pickData(url);// System.out.println("html-->"+html);//源代码信息 Almanac almanac=analyzeHTMLByString(html); return almanac; } /* * 爬取网页信息 */ private static String pickData(String url) { CloseableHttpClient httpclient = HttpClients.createDefault(); try { HttpGet httpget = new HttpGet(url);// System.out.println("httpget-->"+httpget); CloseableHttpResponse response = httpclient.execute(httpget);// System.out.println("response-->"+response); try { // 获取响应实体 HttpEntity entity = response.getEntity(); // 打印响应状态 if (entity != null) { return EntityUtils.toString(entity); } } finally { response.close(); } } catch (ClientProtocolException e) { e.printStackTrace(); } catch (ParseException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } finally { // 关闭连接,释放资源 try { httpclient.close(); } catch (IOException e) { e.printStackTrace(); } } return null; } /* * 使用jsoup解析网页信息 */ private static Almanac analyzeHTMLByString(String html){ String solarDate,lunarDate,chineseAra,should,avoid=" "; Document document = Jsoup.parse(html); //公历时间 solarDate=getSolarDate(); //农历时间 Element eLunarDate=document.getElementById("info_nong"); lunarDate=eLunarDate.child(0).html().substring(1,3)+eLunarDate.html().substring(11); //天干地支纪年法 Element eChineseAra=document.getElementById("info_chang"); chineseAra=eChineseAra.text().toString(); //宜 should=getSuggestion(document,"yi"); //忌 avoid=getSuggestion(document,"ji"); Almanac almanac=new Almanac(solarDate,lunarDate,chineseAra,should,avoid); return almanac; } /* * 获取忌/宜 */ private static String getSuggestion(Document doc,String id){ Element element=doc.getElementById(id); Elements elements=element.getElementsByTag("a"); StringBuffer sb=new StringBuffer(); for (Element e : elements) { sb.append(e.text()+" "); } return sb.toString(); } /* * 获取公历时间,用yyyy年MM月dd日 EEEE格式表示。 * @return yyyy年MM月dd日 EEEE */ private static String getSolarDate() { Calendar calendar = Calendar.getInstance(); Date solarDate = calendar.getTime(); SimpleDateFormat formatter = new SimpleDateFormat("yyyy年MM月dd日 EEEE"); return formatter.format(solarDate); }}
为了简单明了我把抓取解析抽象成了几个独立的方法,其中pickData()方法使用httpClient来抓取数据到一个字符串中(就是在网页上点击查看源代码看到的HTML源码),analyzeHTMLByString()方法来解析抓取到的字符串,getSuggestion方法把抓取方法类似的宜忌数据抽象到了一起,另外因为公历时间可以很容易的自己生成就没有在网页上爬取。
然后下面是一个测试类简单测试下效果:AlmanacUtilTest.java
package com.likx.picker.util;public class AlmanacUtilTest { public static void main(String args[]){ Almanac almanac=AlmanacUtil.getAlmanac(); System.out.println("公历时间:"+almanac.getSolar()); System.out.println("农历时间:"+almanac.getLunar()); System.out.println("天干地支:"+almanac.getChineseAra()); System.out.println("宜:"+almanac.getShould()); System.out.println("忌:"+almanac.getAvoid()); }}
运行结果如下:
集成到实际项目中效果是这样的:
当然本例只是一个非常浅显的小例子,网页上内容也很容易抓取,httpClient及jsoup工具更多强大的地方没有体现到,比如httpClient不仅可以发送get请求,而且可以发送post请求,提交表单,传送文件,还比如jsoup最强大的地方在于它支持仿jquery的选择器。本例仅仅使用了最简单的document.getElementById()匹配元素,实际上jsoup的选择器异常强大,可以说它就是java版的jquery,比如这样:
Elements links = doc.select("a[href]"); // a with hrefElements pngs = doc.select("img[src$=.png]"); // img with src ending .pngElement masthead = doc.select("div.masthead").first(); // div with class=mastheadElements resultLinks = doc.select("h3.r > a"); // direct a after h3
本文转载自:
http://www.cnblogs.com/lkxsnow/p/5380164.html
可参考:
http://www.cnblogs.com/roverliang/p/5176456.html
- httpClient及jsoup抓取解析网页数据
- HttpClient + Jsoup 网页数据抓取
- 使用java开源工具httpClient及jsoup抓取解析网页数据
- 使用java开源工具httpClient及jsoup抓取解析网页数据
- 使用java开源工具httpClient及jsoup抓取解析网页数据
- httpclient+jsoup抓取数据
- 使用httpclient jsoup 及jetty 全自动登录网站 抓取网页,解析并展示
- HttpClient+Jsoup 抓取网页信息
- HttpClient+jsoup实现网页数据抓取和处理
- jsoup 抓取网页数据
- 使用HttpClient和Jsoup进行简单数据抓取、解析
- httpClient获取Jsoup解析网页
- httpClient获取Jsoup解析网页
- 利用Jsoup解析网页,抓取数据的简单应用
- Jsoup 网页抓取数据之获取汽车时刻表 实例解析
- 使用java开源工具jsoup抓取解析网页数据
- Java抓取网页数据-----Jsoup
- Jsoup网页数据抓取案例
- Android事件分发
- Java_构造函数与一般函数的区别
- F1V3.0-11 开发规范——常规模式
- Unity如何限制启动一次实例
- Ce Frumoasa E Iubirea 爱情多美好 罗马尼亚 歌手Giulia
- httpClient及jsoup抓取解析网页数据
- 2017年Android百大框架排行榜
- Codeforces Games
- Spring管理事务默认回滚的异常是什么?
- js隔行变色
- 【Tomcat9源码分析】NIO连接器实现
- LeetCode 557:Reverse Words in a String III (c++)
- 大数据平台架构技术选型与场景运用
- 41STL之拷贝和替换算法