Jsoup——爬虫工具的使用
来源:互联网 发布:unity3d室内漫游下载 编辑:程序博客网 时间:2024/06/06 00:34
官方API:https://jsoup.org/apidocs/overview-summary.html
加载插件:org.jsoup:jsoup:1.11.1(版本1.11.1)
基本步骤
1.加载源数据取得Document对象
2.选择元素
3.提取数据
加载
在Connect 接口中,定义了很多接口,用于发送各种请求。
例:发送简单的get
Document doc = Jsoup.connect("http://www.baidu.com").get();
发送简单的post
Document doc = Jsoup.connect("http://example.com") .data(Map m) .userAgent("Mozilla") .cookie("auth", "token") .timeout(3000) .post();
在请求发送成功后会得到Document 对象,进行下一步操作
当然还可以通过加载其他源,如html文件的String类型,本地的html文件,使用pase()方法即可。如:Document doc = Jsoup.parse(“E:\index.html”);
过滤元素
元素的查找
通过id: getElementById(String id) 通过 标签: getElementsByTag(String tag) 通过class名: getElementsByClass(String className) 通过属性: getElementsByAttribute(String key) (and related methods) 通过节点 : 所有兄弟节点siblingElements(),第一个 firstElementSibling(), 最后一个lastElementSibling();下一个 nextElementSibling(),上一个 previousElementSibling(),父节点parent(), 子节点children(), 第?个子节点child(int index)
例
//因为id是唯一的,所以通过id查找得到的是Element,而通过其他的得到的时Elements,需要对其遍历 Element idel = doc.getElementById("loginForm"); Elements inputElements = idel.getElementsByTag("input"); for (Element inputElement : inputElements) { String key = inputElement.attr("name"); String value = inputElement.attr("value"); System.out.println("Param name: "+key+" \nParam value: "+value); }
当然,还可以通过选择器Selector,更加精确的查找元素
常用的
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] //使用正则表达式 [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 //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 //使用伪选择器selectors :lt(n): 查找哪些元素的同级索引值(它的位置在DOM树中是相对于它的父节点)小于n,比如:td:lt(3) 表示小于三列的元素 :gt(n):查找哪些元素的同级索引值大于n,比如: div p:gt(2)表示哪些div中有包含2个以上的p元素 :eq(n): 查找哪些元素的同级索引值与n相等,比如:form input:eq(1)表示包含一个input标签的Form元素 :has(seletor): 查找匹配选择器包含元素的元素,比如:div:has(p)表示哪些div包含了p元素 :not(selector): 查找与选择器不匹配的元素,比如: div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表 :contains(text): 查找包含给定文本的元素,搜索不区分大不写,比如: p:contains(jsoup) :containsOwn(text): 查找直接包含给定文本的元素 :matches(regex): 查找哪些元素的文本匹配指定的正则表达式,比如:div:matches((?i)login) :matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素 注意:上述伪选择器索引是从0开始的,也就是说第一个元素索引值为0,第二个元素index为1等
提取数据
一般也就是节点的属性值,文本值等
常用的方法
//获取页面数据 title() //元素数据获取和设置 attr(String key)获取属性 attr(String key, String value)设置属性 text()获取文本内容 text(String value) 设置文本内容 attributes()获取所有属性 id(), className() and classNames() html()获取元素内HTMLhtml(String value)设置元素内的HTML内容 outerHtml()获取元素外HTML内容 data()获取数据内容(例如:script和style标签) tag() and tagName()
例:抓取节点id为main下所有图片
Document doc = Jsoup.connect("http://www.xxx.com").get();Element ls = doc.getElementById("main");Elements imgs= ls.select("img"); for (Element pic: imgs){ System.out.println("src : " + pic.attr("src")); System.out.println("alt : " + pic.attr("alt")); }
阅读全文
0 0
- Jsoup——爬虫工具的使用
- 使用jsoup的爬虫例子
- Jsoup类(较新好用的爬虫工具)
- Jsoup爬虫使用记录
- Java 爬虫工具Jsoup解析
- 【正完成】Java基于Jsoup的网络爬虫工具实现
- 【网络爬虫】【java】微博爬虫(四):数据处理——jsoup工具解析html、dom4j读写xml
- Html快速解析工具——Jsoup使用
- 使用jsoup爬虫抓取页面
- 使用JSOUP实现网络爬虫
- Jsoup使用代理ip爬虫
- 使用jsoup爬虫抓取页面
- jsoup爬虫简单使用笔记
- 使用jsoup爬虫抓取页面
- 使用JSOUP实现网络爬虫
- 使用Jsoup爬虫解析html新闻的实例
- WebCollector爬虫使用内置的Jsoup进行网页抽取
- 使用 Jsoup 爬虫解析 html 新闻的实例
- scrapy爬虫案例爬取赶集网租房信息并入库
- 无法连接Mks:套接字尝试次数太多
- Unreal教学(1)——序言
- Unity 中使用百度语音识别发布Android程序(二)
- Android 6.0 开机流程
- Jsoup——爬虫工具的使用
- 微信小程序添加web-view业务域名,"不支持打开非业务域名"解决办法
- 解决安卓webview不支持input type=file问题
- 【第五届蓝桥杯】打印图形
- 解决Android Studio编译后安装apk报错:The APK file does not exist on disk
- python里使用正则表达式
- 【XML】xml 存档
- Android JavascriptBridge 详解(二)
- Android官方TODO-MVP项目分析(上)---View 层 Presenter 层以及 Contract 分析