【解析HTML】HTML解析，网络爬虫

一、概述

HTML解析和网络爬虫。

什么是html，网络爬虫？

什么是html这里就不多说了，那么什么是网络爬虫呢？是不是在网络上怕的虫？哈哈，简直是弱爆了，在前面扯淡的内容中提到了，我喜欢爬各种网站，我爬过我学校的官网和教务管理系统，爬过各种IT网站，做了个简单的新闻客户端。网络爬虫其实是指自动地抓取万维网信息的程序或者脚本，或者说是动态地抓取网站数据的程序。

怎样解析html?

这里我们通过Java解析html的利器Jsoup解析html，使用jsoup轻松搞定html解析，让你从一个从矮穷挫瞬间变身高大上，高端大气上档次。

为什么要解析html?

我们都知道现在网络数据传输有三种常用的形式，xml，json（ 【JSON解析】JSON解析高手 ）和html，我们的客户端请求服务器，服务器通常给我们返回上面三种形式的数据。同时如果是个人开发，由于没有自己的服务器，那么我们开发的应用程序就可以通过爬别人的网站解析html得到我们要的数据，当然，这种方式得到的数据不推荐，同时也存在太多的局限了，如：受网站的限制，解析困难等等。当然看了这篇文章解析就不是困难了，呵呵。

二、Jsoup和资源准备

jsoup介绍：

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。

主要功能：

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；

jar包下载（两种方式）：

1. 官网下载最新版： http://jsoup.org/download
2. jsoup-1.8.3.jar（jar，doc和源码）

jsoup更多信息查看官网： http://jsoup.org

三、HTML解析实战

新建一个Android项目（编码设为UTF-8），将下载的jsoup的jar包添加到项目的libs目录下，并添加到构建路径中，这里由于不打算开发一个完整的应用，所以用的开发工具是我们更熟悉的eclipse，简单点，不用Android Studio（as），用as也一样。

作为测试数据，我们来爬一下这个网站： http://it.ithome.com/

访问这个网站，可以看到现在最新的页面显示如下，当然，它的文章会不断更新，这是写文章的时候的页面（页面的一部分）：

我们的任务是把文章的相关信息抓下来，包括：

1. 文章左边的图片url
2. 文章的标题article
3. 文章的内容简介summary
4. 底部的关键字tags
5. 右上角的发表时间postime

如下图：

OK，确定好了我们要抓取的信息后，我们通过浏览器调试工具Firebug打开查看该页面的源码找到我们关心数据的部分：

这个ul里面的li第一个不是我们想要的数据外，其他的每个li中都保存了一篇文章的信息。选择其中两个看看。

下面我们可以编写解析代码了。

第一步：新建JavaBean， Article.java

package com.jxust.lt.htmlparse;/** * 文章bean * @author lt * */public class Article {    private String title; // 标题    private String summary; // 文章内容简介    private String imageUrl; // 图片url    private String tags; // 关键子    private String postime; // 发表时间    // setter...    // getter...    @Override    public String toString() {        return "Article [title=" + title + ", summary=" + summary                + ", imageUrl=" + imageUrl + ", tags=" + tags + ", postime="                + postime + "]";    }}

第二步：新建一个工具类， HtmlParseUtil.java ，写一个连接网络并解析返回的html页面的方法:

/**     * 请求网络加载数据得到文章的集合     * @param url:网站url     */    public static List<Article> getArticles(String url){        List<Article> articles = new ArrayList<Article>();        Connection conn = Jsoup.connect(url);        try {            // 10秒超时时间,发起get请求，也可以是post            Document doc = conn.timeout(10000).get();            // 1. 只要我们关心的信息数据,这里使用css类选择器            Element ul = doc.select(".ulcl").get(0);            // 2. 得到所有的li,排除个别不是同种类型的数据            Elements lis = ul.getElementsByTag("li");            for(int i=1;i<lis.size();i++){ // 通过FileBug发现这个网页里面第一个li不是我们要的类型，所以从1开始                Article article = new Article();                Element li = lis.get(i);                // 数据1，得到图片的url，通过img标签的src属性获得                Element img = li.getElementsByTag("img").first();                // 获取标签的属性值，参数为属性名称                String imageUrl = img.attr("src");                // 数据2，得到文章的标题                Element h2 = li.getElementsByTag("h2").first();                // 取h2元素下面的第一个a标签的文本即为标题                String title = h2.getElementsByTag("a").first().text();                // 数据3，得到文章的发表时间,取h2元素下面的第一个span标签的文本即为文章发表时间                String postime = h2.getElementsByTag("span").first().text();                // 数据4，得到文章内容简介,取li下面第一个p标签的文本                String summary = li.getElementsByTag("p").first().text();                // 数据5，得到文章的关键字,取li下面的class为tags的第一个元素的所有的a标签文本                Element tagsSpan = li.getElementsByClass("tags").first();                Elements tags = tagsSpan.getElementsByTag("a");                String key = "";                for(Element tag : tags){                    key+=","+tag.text();                }                // 去掉key的第一个","号                key = key.replaceFirst(",", "");                article.setTitle(title);                article.setSummary(summary);                article.setImageUrl(imageUrl);                article.setPostime(postime);                article.setTags(key);                articles.add(article);            }        } catch (Exception ex) {            ex.printStackTrace();        }         return articles;    }

在清单文件下添加请求网络权限：

<uses-permission android:name="android.permission.INTERNET"/>

说明：请求网络得到 Document 对象后（不要导出包，是 jsoup 下的），通过select（）方法帅选了class为ulcl的ul元素，该页面下只有一个class为ulcl，ul下面第一个li不是我们要的，排除，然后得到每个li对象，每个li元素包含一篇文章的信息，解析重要方法说明：

1. Document.select(String cssQuery)：通过css选择器获取E元素集Elements
2. Element.getElementsByTag(String tagName)：通过标签名称获取元素Elements
3. Element.getElementsByClass(String className)：通过标类选择器获取元素Elements
4. Element.getElementById(String id)：通过id获取元素Element
5. Element.attr(String attrName)：通过属性名获取属性值
6. Element.text()：获取标签元素的文本

有js的DOM及JQuery编程经验的人应该很容易理解上面的方法，更多的方法信息使用查看Jsoup官网文档。

第三步：测试解析结果：

使用android单元测试：

• 在AndroidManifest.xml添加instrumentation

<instrumentation android:targetPackage="com.jxust.lt.htmlparse" android:name="android.test.InstrumentationTestRunner"></instrumentation>

• 在AndroidManifest.xml添加use-library

<uses-library android:name="android.test.runner"/>

新建一个测试类HtmlParseTest.java继承AndroidTestCase

写一个测试方法：

    public void testParseHtml(){        List<Article> articles = HtmlParseUtil.getArticles(url);        for(int i=0;i<articles.size();i++){            Log.e("result"+i, articles.get(i).toString());        }    }

这里的url的值为：" http://it.ithome.com/ "

打开模拟器运行测试方法 Run As Android JUnit Test

日志输出结果：

...

可以看到我们得到了20条数据，我们来看看其中的一条

可以看到文章标题，内容简介，图片url，关键字，发表时间5个我们关心的数据全都解析出来了。到这里html解析结束了，现在我们有了数据，那么我们就可以将数据显示在listView中了（这里不会将数据显示在ListView中，这个很简单，一个布局一个适配器就搞定了，不懂的可以问），从而可以自己为网站写个新闻客户端了，把要的数据全都抓取下来，体验一下将别人的数据为我所用的快乐，呵呵。

总结一下：

jsoup解析html的步骤：

1. 得到Document对象：

2. 通过发送Jsoup的get或者post请求返回Document对象

3. 将html字符串转换成Document对象（通过Jsoup.parse()方法）：

4. 使用Document.select()进行初步筛选数据

5. 使用Element的一系列方法筛选出我们要的数据

注意：要对照页面源码解析，解析任何数据之前我们都得先知道要解析数据的结构，看着html页面的源码调用Document，Element等对象的相关方法怎么简单怎么解析。

jsoup的get和post请求网络在实际运用中使用不多，通常我会将jsoup和Volley，XUtils,Okhttp等著名的android网络框架结合使用，即请求网络用Volley等框架，解析用Jsoup，至少我就是这样做的。

转自：http://www.tuicool.com/articles/Jnqe63r