一.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。
jsoup 可以从包括字符串、URL 地址以及本地文件来加载 HTML 文档,并生成 Document 对象实例。Element对象则提供了一系列类似于DOM的方法来查找元素,抽取并处理其中的元素。
它还有一个名称“Beautifulsoup for Java”,对爬虫知识感兴趣的朋友一般都是从Python的爬虫开始,那么自然不会对Beautifulsoup感到陌生,而Jsoup就是java环境下同样具有html文档解析的最好的选择之一。
jsoup 的主要功能如下:
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
官方文档:https://jsoup.org/cookbook/
中文文档:http://www.open-open.com/jsoup/
二.如何取页面
Jsoup提供了用来解析html页面的方法 parse(),我们通过解析它可以获取整个页面的dom对象,通过这个对象来获取你所需要的页面所须有的参数。获取页面的方法有很多,这里就简单的列举几个:
1.通过Jsoup自带的connect()方法
jsoup最主要用到的就是的elements类和select()方法。elements类相当于网页元素中的标签,而select()方法用于按一定条件选取符合条件的标签,组成符合条件的标签数组。
//下载网页 String URL="输入网址"; Document document=Jsoup.cnnect("URL");//Jsoup自带的方法 //在下载的document里进行检索的语句 elements test=document.select("#id") |
2.你可以通过httpclient,HttpURLConnection等获取,用jsoup的Jsoup.parse()方法将String类型的对象转化为Document对象,方便使用Jsoup的解析。
File input = new File(FilePath);
Document doc = Jsoup.parse(input, "UTF-8", “”);
三.Document对象常用方法
方法 |
介绍 |
select() |
select 方法在Document, Element,或Elements对象中都可以使用。Select方法将返回一个Elements集合。 |
getElementsByClass() |
通过Class属性来定位元素,获取的是所有带这个class属性的集合 |
getElementsByTag() |
通过标签名字来定位元素,获取的是所有带有这个标签名字的元素结合 |
getElementById() |
通过标签的ID来定位元素,这个是精准定位,因为页面的ID基本不会重复 |
getElementsByAttributeValue() |
通过属性和属性名来定位元素,获取的也是一个满足条件的集合 |
getElementsByAttributeValueMatching() |
通过正则匹配属性 |
attr() |
获取/设置属性 |
attributes() |
获取所有属性 |
text() |
获取/设置文本内容 |
html() |
获取/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) |
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
• 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
四.简单的java爬虫代码
public Document getDoc (String url){
try {
Document doc = Jsoup.connect(url)
.header("Accept-Encoding", "gzip, deflate")
.userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0)Gecko/20100101 Firefox/23.0")
.maxBodySize(0)
.timeout(600000000)
.get();
return doc;
} catch (IOException e) {
e.printStackTrace();
return null;
}
}
-----------------------------------------------------------------------------------------------
/* doc是我们通过第一步获得的doucmen对象。select括号里面的意思是class为content-item和expert的a标签元素。多个class记得要用逗号隔开。其中的 “a” 可以是 “div”、“span”等标签名。
*/
Elements contentEs = doc.select("a.content-item,expert");
//因为获得的不是一个元素,所以使用get(index)方法,获得对应的元素,以0开始。
Element contentE = contentEs.get(0);
//也可以使用增强型for循环将它遍历。其中.attr()方法是获得该元素的某某属性值,比如a标签的href值。
for(Element e : contentEs ){
e.attr("href");
}
//如果一次select()方法没用选到具体的,可以多次使用该方法。下面就调用了三次select()方法。
Elements e = doc.select("div.menu-item,menu-skincare");
Elements ee = e.select("div.column");
for(int i=0 ; i<cc.size();i++){
Elements eee = ee.get(i).select("a.submenu-item");
}
//将标签里的文本提取出来
String result = eee.text();
参考:
https://blog.csdn.net/smile_miracle/article/details/70677570
https://cloud.tencent.com/developer/article/1359869
https://blog.csdn.net/u014798883/article/details/54909951