爬虫系列（二）——网页解析Jsoup

来源：互联网发布：红蜘蛛破解软件编辑：程序博客网时间：2024/05/19 22:24

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。

在爬虫采集网页领域主要作用是用HttpClient获取到网页后,使用Jsoup提取网页中需要的信息，Jsoup支持类似Jquery、CSS选择器，来获取需要的数据,使用非常方便。

下面结合代码简单展示如何使用Jsoup获取需要的页面数据。

一、Jsoup 入门demo

public class JsoupHello {public static void main(String[] args) throws Exception{CloseableHttpClient httpclient = HttpClients.createDefault(); // 创建httpclient实例        HttpGet httpget = new HttpGet("http://www.cnblogs.com/"); // 创建httpget实例                 CloseableHttpResponse response = httpclient.execute(httpget); // 执行get请求        HttpEntity entity=response.getEntity(); // 获取返回实体        String content=EntityUtils.toString(entity, "utf-8");        response.close(); // 关闭流和释放系统资源                Document doc=Jsoup.parse(content); // 解析网页 得到文档对象        Elements elements=doc.getElementsByTag("title"); // 获取tag是title的所有DOM元素        Element element=elements.get(0); // 获取第1个元素        String title=element.text(); // 返回元素的文本        System.out.println("网页标题是："+title);                Element element2=doc.getElementById("site_nav_top"); // 获取id=site_nav_top的DOM元素        String navTop=element2.text(); // 返回元素的文本        System.out.println("口号："+navTop);         }}

1、使用httpClient 获取网页

2、使用jsoup parse解析网页，并根据丰富的getElement方法按照不同的属性获取元素值

二、常用查找dom元素方法

1、根据标签名（tagName）查找dom

    Elements elements=doc.getElementsByTag("title"); //获取tag是title的所有dom元素        Element element= elements.get(0); //获取第一个    System.out.println(element.text());//输出元素txt值

2、根据元素Id查找

    Element elementById=doc.getElementById("footer");    System.out.println(elementById.text());

3、根据class 名查找

    Elements elementsByClass=doc.getElementsByClass("post_item");    for(Element e:elementsByClass)    {    System.out.println(e.html());    }

4、根据attribute属性名查找

    //根据属性名(如：id，width) 查询dom    Elements elementsByAttr=doc.getElementsByAttribute("width");    for(Element e2:elementsByAttr)    {    System.out.println(e2.toString());    }

5、根据attribute和attributeValue共同查找

    //根据属性名&值共同查找dom    Elements elementsByAttrValue=doc.getElementsByAttributeValue("width", "142");    System.out.println(elementsByAttrValue.toString());

三、使用Jsoup选择器查找dom元素

1、class类选择器使用

          //class 使用.   中间空格   Elements eleLinks= doc.select(".post_item .post_item_body h3 a");   for(Element el:eleLinks)    {   System.out.println(el.text());    }

2、带有href超链接的a标签查找

   //css语法 带有href 属性的a元素    Elements elea= doc.select("a[href]");   for(Element ea:eleLinks)    {   System.out.println(ea.toString());    }

3、查找图片标签

   //img图片   Elements imgs= doc.select("img[src$=.png]");//查找img标签，后缀为png的所有图片dom   for(Element ea:imgs)    {   System.out.println(ea.toString());    }

4、根据dom Id查找元素

//根据dom id获取元素 ，text返回a的中文文本信息，html返回a标签链接信息   Element eleId=doc.select("#friend_link").first();   System.out.println("##############纯文本"+eleId.text());   System.out.println("##############纯文本"+eleId.html());

5、获取dom元素中指定属性值

 Elements eleLinks= doc.select(".post_item .post_item_body h3 a");   for(Element el:eleLinks)    {   System.out.println("***********************标题是"+el.text()); //获取所有文本   System.out.println("***********************连接是"+el.attr("href")); //获取所有博客链接 dom a 里的属性值    }

1 0