Java爬虫技术
来源:互联网 发布:2017淘宝客推广技巧 编辑:程序博客网 时间:2024/06/05 00:23
Jsoup解析html方法,通常被人称之为爬虫技术。(个人认为可能是返回的数据,只有一小部分是我们需要的,造成了数据
的冗余,和网络延迟)。
1,下载Jsoup架包,小编在网上找了一个资源下载jsoup架包。(添加到libs后,add to path,其中jsoup-1.9.2-sources.jar的
作用是,当我们需要查看源码的时候,指定到这个包就可以了)
2,Jsoup的应用Api
2.1生成Document文件(本身继承Element)。
A,html字符串转换成一个Document对象:
String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>"; Document doc = Jsoup.parse(html);B,将一个网页html转换成一个Document对象。(常用的两种方法)
Document doc1 = Jsoup.parse(new URL("http://www.baidu.com"), 5000);
Document doc = Jsoup.connect("http://jingyan.baidu.com/article/e2284b2b60aceee2e6118d3b.html").get();//也有post方法,基本雷同C,将本地的一个html文件,转换成一个Document对象。
File file = new File("C:/Users/songbinwang/webspace/web/WebContent/index/index.html"); Document doc1 = Jsoup.parse(file, "UTF-8");
2.2,遍历一个文档Document。
A,DOM方法
查找元素
getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key)
(and related methods)- Element siblings:
siblingElements()
,firstElementSibling()
,lastElementSibling()
;nextElementSibling()
,previousElementSibling()
- Graph:
parent()
,children()
,child(int index)
元素数据
attr(String key)
获取属性attr(String key, String value)
设置属性attributes()
获取所有属性id()
,className()
andclassNames()
text()
获取文本内容text(String value)
设置文本内容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()
andtagName()
B,选择器语法查找数据(其实如果只是抓取数据,掌握前面几种就够用了,但小编还是全粘贴了出来,万一真用上了呢哈)
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
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
- 要取得一个属性的值,可以使用
Node.attr(String key)
方法 - 对于一个元素中的文本,可以使用
Element.text()
方法 - 对于要取得元素或属性中的HTML内容,可以使用
Element.html()
, 或Node.outerHtml()
方法
Element.id()
Element.tagName()
Element.className()
andElement.hasClass(String className)
3,Jsoup应用实例:
实例一:
try {Document doc = Jsoup.connect("http://www.baidu.com").get();System.out.println("Document:\n" + doc);//打印整个百度首页的htmlElement form = doc.getElementById("form");//通过id找到元素formSystem.out.println("form:\n" + form);Elements es = form.getAllElements();System.out.println("Elements:");for(Element e: es){//遍历整个元素System.out.println("tag:"+e.tagName() + ",type:"+e.attr("type")+",name:"+e.attr("name") + ",value:"+e.attr("value"));}} catch (Exception e) {// TODO: handle exception}
实例二:
try {Document doc = Jsoup.connect("http://www.baidu.com").get();System.out.println(doc);//Element form = doc.select("form[name]").first();Element form = doc.select("#form").first();System.out.println(form);//Elements es = doc.select(".s_ipt");//Elements es = doc.select("[^hr]");//System.out.println(es);//Elements es = form.getAllElements();//for(Element e: es){//System.out.println("tag:"+e.tagName() + ",type:"+e.attr("type")+",name:"+e.attr("name") + ",value:"+e.attr("value"));//}Element img = doc.select("img").first();System.out.println(img.attr("abs:src"));//获得绝对地址} catch (Exception e) {// TODO: handle exception}
由于篇幅原因,只给出实例一的结果(相信大家多试几遍,很快就能掌握的):
Document:
<!doctype html>
<!--STATUS OK-->
<html>
<head>
<meta http-equiv="content-type" content="text/html;charset=utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=Edge">
<meta content="always" name="referrer">
<link rel="stylesheet" type="text/css" href="http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css">
<title>百度一下,你就知道</title>
</head>
<body link="#0000cc">
<div id="wrapper">
<div id="head">
<div class="head_wrapper">
<div class="s_form">
<div class="s_form_wrapper">
<div id="lg">
<img hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270" height="129">
</div>
<form id="form" name="f" action="//www.baidu.com/s" class="fm">
<input type="hidden" name="bdorz_come" value="1">
<input type="hidden" name="ie" value="utf-8">
<input type="hidden" name="f" value="8">
<input type="hidden" name="rsv_bp" value="1">
<input type="hidden" name="rsv_idx" value="1">
<input type="hidden" name="tn" value="baidu">
<span class="bg s_ipt_wr"><input id="kw" name="wd" class="s_ipt" value maxlength="255" autocomplete="off" autofocus></span>
<span class="bg s_btn_wr"><input type="submit" id="su" value="百度一下" class="bg s_btn"></span>
</form>
</div>
</div>
<div id="u1">
<a href="http://news.baidu.com" name="tj_trnews" class="mnav">新闻</a>
<a href="http://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a>
<a href="http://map.baidu.com" name="tj_trmap" class="mnav">地图</a>
<a href="http://v.baidu.com" name="tj_trvideo" class="mnav">视频</a>
<a href="http://tieba.baidu.com" name="tj_trtieba" class="mnav">贴吧</a>
<noscript>
<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1" name="tj_login" class="lb">登录</a>
</noscript>
<script>document.write('<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u='+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ '" name="tj_login" class="lb">登录</a>');</script>
<a href="//www.baidu.com/more/" name="tj_briicon" class="bri" style="display: block;">更多产品</a>
</div>
</div>
</div>
<div id="ftCon">
<div id="ftConw">
<p id="lh"> <a href="http://home.baidu.com">关于百度</a> <a href="http://ir.baidu.com">About Baidu</a> </p>
<p id="cp">©2016 Baidu <a href="http://www.baidu.com/duty/">使用百度前必读</a> <a href="http://jianyi.baidu.com/" class="cp-feedback">意见反馈</a> 京ICP证030173号 <img src="//www.baidu.com/img/gs.gif"> </p>
</div>
</div>
</div>
</body>
</html>
form:
<form id="form" name="f" action="//www.baidu.com/s" class="fm">
<input type="hidden" name="bdorz_come" value="1">
<input type="hidden" name="ie" value="utf-8">
<input type="hidden" name="f" value="8">
<input type="hidden" name="rsv_bp" value="1">
<input type="hidden" name="rsv_idx" value="1">
<input type="hidden" name="tn" value="baidu">
<span class="bg s_ipt_wr"><input id="kw" name="wd" class="s_ipt" value maxlength="255" autocomplete="off" autofocus></span>
<span class="bg s_btn_wr"><input type="submit" id="su" value="百度一下" class="bg s_btn"></span>
</form>
Elements:
tag:form,type:,name:f,value:
tag:input,type:hidden,name:bdorz_come,value:1
tag:input,type:hidden,name:ie,value:utf-8
tag:input,type:hidden,name:f,value:8
tag:input,type:hidden,name:rsv_bp,value:1
tag:input,type:hidden,name:rsv_idx,value:1
tag:input,type:hidden,name:tn,value:baidu
tag:span,type:,name:,value:
tag:input,type:,name:wd,value:
tag:span,type:,name:,value:
tag:input,type:submit,name:,value:百度一下
- java爬虫技术
- java爬虫技术
- java爬虫技术
- Java 网络爬虫技术
- Java爬虫技术
- java爬虫技术--webmagic
- Java 实例讲解网络爬虫技术
- java技术简易的网站爬虫
- 利用Java实现搜索引擎爬虫技术
- 深入了解Java爬虫的运用技术
- 爬虫技术
- 爬虫技术
- 爬虫技术
- 爬虫技术
- 爬虫技术
- 爬虫技术
- 爬虫技术
- 爬虫技术
- 运用Altium.Designer.v9.Summer09布线的几个原则
- 视觉slam参考资料
- centOS7下实践查询版本/CPU/内存/硬盘容量等硬件信息
- 206. Reverse Linked List
- 后台UI的选择与介绍
- Java爬虫技术
- Vim命令大全
- java解惑
- Android开发点滴(六) 《第一行代码》学习体会
- 解决Program received signal SIGSEGV, Segmentation fault.的辛酸
- git: Rebase vs Merge
- trigger触发器和自定义方法
- 根据body的内容 查找h2标签的@class="subtitle"的值
- linux 设备管理之 mem proc sysfs devfs udev