admin管理员组

文章数量:1130349

Jsoup

文章目录

• Jsoup
• 导入依赖
• 获取信息
• 数据筛选

Jsoup

---

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。
爬虫可以用于搜索引擎，内容检索，数据采集分析等，十分强大，黑客感十足，不过不要为所欲为(面向监狱编程)，要合理利用。

Jsoup官网
中文文档

导入依赖

---

不会maven可参考我的另一篇博客

	  <dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.10.2</version></dependency>

获取信息

---

以在CSDN搜索jsoup为例，请求该URL，查看你所需信息标签的id或class，用Jsoup返回浏览器Document对象，然后可以用js的方法获取对象和操作。

package com.wzl.utils;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;public class HtmlParseUtil {public static void main(String[] args) throws IOException {//获取请求（需联网）String url=".do?q=jsoup&t=&u=";//解析网页(Jsoup返回浏览器Document对象，可以使用Js的方法)Document document=Jsoup.parse(new URL(url),60000);//设置60s超时Elements elements=document.getElementsByClass("search-list J_search");for (Element el:elements) {System.out.println(el.html());System.out.println("=================");}}
}

控制台输出结果

至此就获取到了我们想要的信息。

数据筛选

---

然后就是对获取到的数据进一步处理和解析，比如筛选标签内的核心内容等。使用前端document对象的方法，提取标题，地址，作者等，然后可以把这些数据再封装成你自己的类等，这里直接输出演示。
查找DOM元素

方法	用法
getElementById(String id)	通过id来获取
getElementsByTag(String tagName)	通过标签名字来获取
getElementsByClass(String className)	通过类名来获取
getElementsByAttribute(String key)	通过属性名字来获取
getElementsByAttributeValue(String key, String value)	通过指定的属性名字，属性值来获取
getAllElements()	获取所有元素

package com.wzl.utils;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;public class HtmlParseUtil {public static void main(String[] args) throws IOException {//获取请求（需联网）String url=".do?q=jsoup&t=&u=";//解析网页(Jsoup返回浏览器Document对象，可以使用Js的方法)Document document=Jsoup.parse(new URL(url),60000);//设置60s超时Elements elements=document.getElementsByClass("search-list J_search");for (Element el:elements) {//System.out.println(el.html());String title=el.getElementsByTag("a").eq(0).text();//标题String href=el.getElementsByTag("a").eq(0).attr("href");//博客地址(第一个<a>里)String writer=el.getElementsByTag("a").eq(1).text();//作者(第二个<a>里)String count=el.getElementsByClass("mr16").html();//浏览量String time=el.getElementsByClass("date").html();//时间System.out.println("标题："+title);System.out.println("地址："+href);System.out.println("作者："+writer);System.out.println("浏览量："+count);System.out.println("时间："+time);System.out.println("=================");}}
}

输出结果：

还可以用jsoup的选择器来进行筛选，也很方便：Element.select(String selector) 和 Elements.select(String selector) ，作用异曲同工，都是查找DOM元素，选择器对更复杂的筛选条件有优势。
引用官方文档介绍

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

总结爬取数据思路：获取请求、返回页面信息、筛选所需数据。

相关推荐(将爬取数据导出到Excel)
POI和EasyExcel-你还在为导入导出数据苦恼吗？

原创不易，请勿转载（本不富裕的访问量雪上加霜 ）
博主首页：
如果文章对你有帮助，记得关注点赞收藏❤

Jsoup

文章目录

• Jsoup
• 导入依赖
• 获取信息
• 数据筛选

Jsoup

---

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。
爬虫可以用于搜索引擎，内容检索，数据采集分析等，十分强大，黑客感十足，不过不要为所欲为(面向监狱编程)，要合理利用。

Jsoup官网
中文文档

导入依赖

---

不会maven可参考我的另一篇博客

	  <dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.10.2</version></dependency>

获取信息

---

以在CSDN搜索jsoup为例，请求该URL，查看你所需信息标签的id或class，用Jsoup返回浏览器Document对象，然后可以用js的方法获取对象和操作。

package com.wzl.utils;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;public class HtmlParseUtil {public static void main(String[] args) throws IOException {//获取请求（需联网）String url=".do?q=jsoup&t=&u=";//解析网页(Jsoup返回浏览器Document对象，可以使用Js的方法)Document document=Jsoup.parse(new URL(url),60000);//设置60s超时Elements elements=document.getElementsByClass("search-list J_search");for (Element el:elements) {System.out.println(el.html());System.out.println("=================");}}
}

控制台输出结果

至此就获取到了我们想要的信息。

数据筛选

---

然后就是对获取到的数据进一步处理和解析，比如筛选标签内的核心内容等。使用前端document对象的方法，提取标题，地址，作者等，然后可以把这些数据再封装成你自己的类等，这里直接输出演示。
查找DOM元素

方法	用法
getElementById(String id)	通过id来获取
getElementsByTag(String tagName)	通过标签名字来获取
getElementsByClass(String className)	通过类名来获取
getElementsByAttribute(String key)	通过属性名字来获取
getElementsByAttributeValue(String key, String value)	通过指定的属性名字，属性值来获取
getAllElements()	获取所有元素

package com.wzl.utils;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;public class HtmlParseUtil {public static void main(String[] args) throws IOException {//获取请求（需联网）String url=".do?q=jsoup&t=&u=";//解析网页(Jsoup返回浏览器Document对象，可以使用Js的方法)Document document=Jsoup.parse(new URL(url),60000);//设置60s超时Elements elements=document.getElementsByClass("search-list J_search");for (Element el:elements) {//System.out.println(el.html());String title=el.getElementsByTag("a").eq(0).text();//标题String href=el.getElementsByTag("a").eq(0).attr("href");//博客地址(第一个<a>里)String writer=el.getElementsByTag("a").eq(1).text();//作者(第二个<a>里)String count=el.getElementsByClass("mr16").html();//浏览量String time=el.getElementsByClass("date").html();//时间System.out.println("标题："+title);System.out.println("地址："+href);System.out.println("作者："+writer);System.out.println("浏览量："+count);System.out.println("时间："+time);System.out.println("=================");}}
}

输出结果：

还可以用jsoup的选择器来进行筛选，也很方便：Element.select(String selector) 和 Elements.select(String selector) ，作用异曲同工，都是查找DOM元素，选择器对更复杂的筛选条件有优势。
引用官方文档介绍

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

总结爬取数据思路：获取请求、返回页面信息、筛选所需数据。

相关推荐(将爬取数据导出到Excel)
POI和EasyExcel-你还在为导入导出数据苦恼吗？

原创不易，请勿转载（本不富裕的访问量雪上加霜 ）
博主首页：
如果文章对你有帮助，记得关注点赞收藏❤

本文标签： Jsoup