欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Java爬虫系列三:使用Jsoup解析HTML

程序员文章站 2022-07-10 23:42:18
在上一篇随笔《Java爬虫系列二:使用HttpClient抓取页面HTML》中介绍了怎么使用HttpClient进行爬虫的第一步--抓取页面html,今天接着来看下爬虫的第二步--解析抓取到的html。 有请第二步的主角:Jsoup粉墨登场。下面我们把舞台交给Jsoup,让他完成本文剩下的内容。 华 ......

在上一篇随笔《java爬虫系列二:使用httpclient抓取页面html》中介绍了怎么使用httpclient进行爬虫的第一步--抓取页面html,今天接着来看下爬虫的第二步--解析抓取到的html。

有请第二步的主角:jsoup粉墨登场。下面我们把舞台交给jsoup,让他完成本文剩下的内容。

============华丽的分割线=============

一、jsoup自我介绍

大家好,我是jsoup。

我是一款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,用java写爬虫的同行们十之八九用过我。为什么呢?因为我在这个方面功能强大、使用方便。不信的话,可以继续往下看,代码是不会骗人的。

二、jsoup解析html

上一篇中,httpclient大哥已经抓取到了博客园首页的html,但是一堆的代码,不是程序员的人们怎么能看懂呢?这个就需要我这个html解析专家出场了。

下面通过案例展示如何使用jsoup进行解析,案例中将获取博客园首页的标题和第一页的博客文章列表

Java爬虫系列三:使用Jsoup解析HTML

 

请看代码(在上一篇代码的基础上进行操作,如果还不知道如何使用httpclient的朋友请进行阅读):

  1. 引入依赖
    <dependency>
        <groupid>org.jsoup</groupid>
        <artifactid>jsoup</artifactid>
        <version>1.12.1</version>
    </dependency>

     

  2. 实现代码。实现代码之前首先要分析下html结构。标题是<title>不用说了,那文章列表呢?按下浏览器的f12,查看页面元素源码,你会发现列表是一个大的div,id="post_list",每篇文章是小的div,class="post_item"Java爬虫系列三:使用Jsoup解析HTML

    接下来就可以开始代码了,jsoup核心代码如下(整体源码会在文章末尾给出):

    /**
                     * 下面是jsoup展现自我的平台
                     */
                    //6.jsoup解析html
                    document document = jsoup.parse(html);
                    //像js一样,通过标签获取title
                    system.out.println(document.getelementsbytag("title").first());
                    //像js一样,通过id 获取文章列表元素对象
                    element postlist = document.getelementbyid("post_list");
                    //像js一样,通过class 获取列表下的所有博客
                    elements postitems = postlist.getelementsbyclass("post_item");
                    //循环处理每篇博客
                    for (element postitem : postitems) {
                        //像jquery选择器一样,获取文章标题元素
                        elements titleele = postitem.select(".post_item_body a[class='titlelnk']");
                        system.out.println("文章标题:" + titleele.text());;
                        system.out.println("文章地址:" + titleele.attr("href"));
                        //像jquery选择器一样,获取文章作者元素
                        elements footele = postitem.select(".post_item_foot a[class='lightblue']");
                        system.out.println("文章作者:" + footele.text());;
                        system.out.println("作者主页:" + footele.attr("href"));
                        system.out.println("*********************************");
                    }

    根据以上代码你会发现,我通过jsoup.parse(string html)方法对httpclient获取到的html内容进行解析获取到document,然后document可以有两种方式获取其子元素:像js一样 可以通过getelementxxxx的方式 和 像jquery 选择器一样通过select()方法。 无论哪种方法都可以,我个人推荐用select方法处理。对于元素中的属性,比如超链接地址,可以使用element.attr(string)方法获取, 对于元素的文本内容通过element.text()方法获取。

  3. 执行代码,查看结果(不得不感慨博客园的园友们真是太厉害了,从上面分析首页html结构到jsoup分析的代码执行完,这段时间首页多了那么多文章)Java爬虫系列三:使用Jsoup解析HTML

    由于新文章发布的太快了,导致上面的截图和这里的输出有些不一样。

 

三、jsoup的其他用法

我,jsoup,除了可以在httpclient大哥的工作成果上发挥作用,我还能自己独立干活,自己抓取页面,然后自己分析。分析的本领已经在上面展示过了,下面来展示自己抓取页面,其实很简单,所不同的是我直接获取到的是document,不用再通过jsoup.parse()方法进行解析了。

Java爬虫系列三:使用Jsoup解析HTML

除了能直接访问网上的资源,我还能解析本地资源:

代码:

public static void main(string[] args) {
        try {
            document document = jsoup.parse(new file("d://1.html"), "utf-8");
            system.out.println(document);
        } catch (ioexception e) {
            e.printstacktrace();
        }
    }

 

四、jsoup另一个值得一提的功能

 你肯定有过这种经历,在你的页面文本框中,如果输入html元素的话,保存后再查看很大概率会导致页面排版乱七八糟,如果能对这些内容进行过滤的话,就完美了。

刚好我jsoup就能做到。

public static void main(string[] args) {
        string unsafe = "<p><a href='网址' onclick='stealcookies()'>博客园</a></p>";
        system.out.println("unsafe: " + unsafe);
        string safe = jsoup.clean(unsafe, whitelist.basic());
        system.out.println("safe: " + safe);
    }

通过jsoup.clean方法,用一个白名单进行过滤。执行结果:

unsafe: <p><a href='网址' onclick='stealcookies()'>博客园</a></p>
safe: <p><a rel="nofollow">博客园</a></p>

 

五、结束语

 通过以上大家相信我很强大了吧,不仅可以解析httpclient抓取到的html元素,我自己也能抓取页面dom,我还能load并解析本地保存的html文件。

此外,我还能通过一个白名单对字符串进行过滤,筛掉一些不安全的字符。

最最重要的,上面所有功能的api的调用都比较简单。

 

============华丽的分割线=============

码字不易,点个赞再走呗~~

最后,附上案例中 解析博客园首页文章列表的完整源码:

package httpclient_learn;

import java.io.ioexception;

import org.apache.http.httpentity;
import org.apache.http.httpstatus;
import org.apache.http.client.clientprotocolexception;
import org.apache.http.client.methods.closeablehttpresponse;
import org.apache.http.client.methods.httpget;
import org.apache.http.client.utils.httpclientutils;
import org.apache.http.impl.client.closeablehttpclient;
import org.apache.http.impl.client.httpclients;
import org.apache.http.util.entityutils;
import org.jsoup.jsoup;
import org.jsoup.nodes.document;
import org.jsoup.nodes.element;
import org.jsoup.select.elements;

public class httpclienttest {
    
    public static void main(string[] args) {
        //1.生成httpclient,相当于该打开一个浏览器
        closeablehttpclient httpclient = httpclients.createdefault();
        closeablehttpresponse response = null;
        //2.创建get请求,相当于在浏览器地址栏输入 网址
        httpget request = new httpget("https://www.cnblogs.com/");
        //设置请求头,将爬虫伪装成浏览器
        request.setheader("user-agent","mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/74.0.3729.169 safari/537.36");
//        httphost proxy = new httphost("60.13.42.232", 9999);
//        requestconfig config = requestconfig.custom().setproxy(proxy).build();
//        request.setconfig(config);
        try {
            //3.执行get请求,相当于在输入地址栏后敲回车键
            response = httpclient.execute(request);
            
            //4.判断响应状态为200,进行处理
            if(response.getstatusline().getstatuscode() == httpstatus.sc_ok) {
                //5.获取响应内容
                httpentity httpentity = response.getentity();
                string html = entityutils.tostring(httpentity, "utf-8");
                system.out.println(html);
                
                /**
                 * 下面是jsoup展现自我的平台
                 */
                //6.jsoup解析html
                document document = jsoup.parse(html);
                //像js一样,通过标签获取title
                system.out.println(document.getelementsbytag("title").first());
                //像js一样,通过id 获取文章列表元素对象
                element postlist = document.getelementbyid("post_list");
                //像js一样,通过class 获取列表下的所有博客
                elements postitems = postlist.getelementsbyclass("post_item");
                //循环处理每篇博客
                for (element postitem : postitems) {
                    //像jquery选择器一样,获取文章标题元素
                    elements titleele = postitem.select(".post_item_body a[class='titlelnk']");
                    system.out.println("文章标题:" + titleele.text());;
                    system.out.println("文章地址:" + titleele.attr("href"));
                    //像jquery选择器一样,获取文章作者元素
                    elements footele = postitem.select(".post_item_foot a[class='lightblue']");
                    system.out.println("文章作者:" + footele.text());;
                    system.out.println("作者主页:" + footele.attr("href"));
                    system.out.println("*********************************");
                }
                
                
            } else {
                //如果返回状态不是200,比如404(页面不存在)等,根据情况做处理,这里略
                system.out.println("返回状态不是200");
                system.out.println(entityutils.tostring(response.getentity(), "utf-8"));
            }
        } catch (clientprotocolexception e) {
            e.printstacktrace();
        } catch (ioexception e) {
            e.printstacktrace();
        } finally {
            //6.关闭
            httpclientutils.closequietly(response);
            httpclientutils.closequietly(httpclient);
        }
    }
}