java爬虫-网页解析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以及相似于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使用是使用HttpClient获取到网页后,用Jsoup提取网页中需要的信息,Jsoup支持相似Jquery、CSS选择器,来获取需要的数据,用非常方便。
下面结合代码简单展现如何用Jsoup获取需要的页面数据。
public class JsoupHello {
public static void main(String[] args) throws Exception{
CloseableHttpClient httpclient = HttpClients.createDefault(); // 创立httpclient实例
HttpGet httpget = new HttpGet(“http://www.cnblogs.com/”); // 创立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、用httpClient 获取网页2、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、常使用查找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
3、根据class 名查找
4、根据attribute属性名查找
5、根据attribute和attributeValue共同查找
三、用Jsoup选择器查找dom元素1、class类选择器用
//class 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. 本站所有资源来源于用户上传和网络,如有侵权请邮件联系站长!
2. 分享目的仅供大家学习和交流,您必须在下载后24小时内删除!
3. 不得使用于非法商业用途,不得违反国家法律。否则后果自负!
4. 本站提供的源码、模板、插件等等其他资源,都不包含技术服务请大家谅解!
5. 如有链接无法下载、失效或广告,请联系管理员处理!
6. 本站资源售价只是摆设,本站源码仅提供给会员学习使用!
7. 如遇到加密压缩包,请使用360解压,如遇到无法解压的请联系管理员
开心源码网 » java爬虫-网页解析Jsoup