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  >  移动技术

android使用Jsoup 抓取页面的数据

程序员文章站 2024-03-03 19:43:16
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...

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的官方中文地址:
在这个网站上你可以找到一些说明,.jar文件的下载,doc文档的说明等等 

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;

jsoup是基于mit协议发布的,可放心使用于商业项目。

jsoup类下面的方法都是静态可直接调用。几个方法的说明  

connect()方法,获得一个connection,然后调用connection对象get()方法获得document对象。然后再解析document对象  connection提供了一些设置方法timeout(),url()等等 

这里贴一下我用到的 java工程的测试代码 

package com.javen.jsoup;

import java.io.ioexception;

import org.jsoup.jsoup;
import org.jsoup.nodes.document;
import org.jsoup.nodes.element;
import org.jsoup.select.elements;

public class jsouptest {
  static string url="http://www.cnblogs.com/zyw-205520/archive/2012/12/20/2826402.html";
  /**
   * @param args
   * @throws exception
   */
  public static void main(string[] args) throws exception {
    
    // todo auto-generated method stub
    bolgbody();
    //test();
    //blog();
    /*
     * document doc = jsoup.connect("//www.jb51.net/")
     * .data("query", "java") // 请求参数 .useragent("i ' m jsoup") // 设置
     * user-agent .cookie("auth", "token") // 设置 cookie .timeout(3000) //
     * 设置连接超时时间 .post();
     */// 使用 post 方法访问 url

    /*
     * // 从文件中加载 html 文档 file input = new file("d:/test.html"); document doc
     * = jsoup.parse(input,"utf-8","//www.jb51.net/");
     */
  }

  /**
   * 获取指定html 文档指定的body
   * @throws ioexception
   */
  private static void bolgbody() throws ioexception {
    // 直接从字符串中输入 html 文档
    string html = "<html><head><title> 开源中国社区 </title></head>"
        + "<body><p> 这里是 jsoup 项目的相关文章 </p></body></html>";
    document doc = jsoup.parse(html);
    system.out.println(doc.body());
    
    
    // 从 url 直接加载 html 文档
    document doc2 = jsoup.connect(url).get();
    string title = doc2.body().tostring();
    system.out.println(title);
  }

  /**
   * 获取博客上的文章标题和链接
   */
  public static void article() {
    document doc;
    try {
      doc = jsoup.connect("http://www.cnblogs.com/zyw-205520/").get();
      elements listdiv = doc.getelementsbyattributevalue("class","posttitle");
      for (element element :listdiv) {
        elements links = element.getelementsbytag("a");
        for (element link : links) {
          string linkhref = link.attr("href");
          string linktext = link.text().trim();
          system.out.println(linkhref);
          system.out.println(linktext);
        }
      }
    } catch (ioexception e) {
      // todo auto-generated catch block
      e.printstacktrace();
    }

  }
  /**
   * 获取指定博客文章的内容
   */
  public static void blog() {
    document doc;
    try {
      doc = jsoup.connect("http://www.cnblogs.com/zyw-205520/archive/2012/12/20/2826402.html").get();
      elements listdiv = doc.getelementsbyattributevalue("class","postbody");
      for (element element :listdiv) {
        system.out.println(element.html());
      }
    } catch (ioexception e) {
      // todo auto-generated catch block
      e.printstacktrace();
    }
    
  }

}

下面来介绍android中使用jsoup异步解析网页的数据 请注意: 这里很容易遇到一个乱码的问题

配置文件:androidmanifest.xml中加 权限

<uses-permission android:name="android.permission.internet"></uses-permission>

layout的布局文件

<linearlayout xmlns:android="http://schemas.android.com/apk/res/android"
  xmlns:tools="http://schemas.android.com/tools"
  android:layout_width="match_parent"
  android:layout_height="match_parent"
  android:orientation="vertical" >

  <webview
    android:id="@+id/webview"
    android:layout_width="fill_parent"
    android:layout_height="200dp" />

  <scrollview
    android:layout_width="wrap_content"
    android:layout_height="wrap_content" >

    <textview
      android:id="@+id/textview"
      android:layout_width="wrap_content"
      android:layout_height="wrap_content"
      android:text="@string/hello_world" />
  </scrollview>

</linearlayout>

主要异步加载数据的代码

package com.javen.aaa;

import java.io.bufferedreader;
import java.io.ioexception;
import java.io.inputstreamreader;
import java.net.url;

import org.jsoup.jsoup;
import org.jsoup.nodes.document;
import org.jsoup.nodes.element;
import org.jsoup.select.elements;

import android.app.activity;
import android.app.dialog;
import android.app.progressdialog;
import android.os.asynctask;
import android.os.bundle;
import android.util.log;
import android.webkit.webview;
import android.widget.textview;

public class mainactivity extends activity {
  private webview webview;
  private textview textview;
  private static final int dialog_key = 0;
  @override
  protected void oncreate(bundle savedinstancestate) {
    super.oncreate(savedinstancestate);
    setcontentview(r.layout.main);
    webview = (webview) findviewbyid(r.id.webview);
    textview=(textview) findviewbyid(r.id.textview);
    try {
      progressasynctask asynctask=new progressasynctask(webview,textview);
      asynctask.execute(10000);
    } catch (exception e) {
      // todo auto-generated catch block
      e.printstacktrace();
    }
  }
  
  public string test() {
    stringbuffer buffer=new stringbuffer();
    document doc;
    try {
      doc = jsoup.connect("http://www.cnblogs.com/zyw-205520/").get();
      elements listdiv = doc.getelementsbyattributevalue("class","posttitle");
      for (element element :listdiv) {
        elements links = element.getelementsbytag("a");
        for (element link : links) {
          string linkhref = link.attr("href");
          string linktext = link.text().trim();
          buffer.append("linkhref=="+linkhref);
          buffer.append("linktext=="+linktext);
          
          system.out.println(linkhref);
          system.out.println(linktext);
        }
      }
    } catch (ioexception e) {
      // todo auto-generated catch block
      e.printstacktrace();
    }
    return buffer.tostring();

  }

    // 弹出"查看"对话框
    @override
    protected dialog oncreatedialog(int id) {
      switch (id) {
      case dialog_key: {
        progressdialog dialog = new progressdialog(this);
        dialog.setmessage("获取数据中 请稍候...");
        dialog.setindeterminate(true);
        dialog.setcancelable(true);
        return dialog;
      }
      }
      return null;
    }
    
    public static string readhtml(string myurl) {
      stringbuffer sb = new stringbuffer("");
      url url;
      try {
        url = new url(myurl);
        bufferedreader br = new bufferedreader(new inputstreamreader(url.openstream(), "gbk"));
        string s = "";
        while ((s = br.readline()) != null) {
          sb.append(s + "\r\n");
        }
      } catch (exception e) {
        e.printstacktrace();
      }
      return sb.tostring();
    }
  
  class progressasynctask extends asynctask<integer, integer, string> {

    private webview webview;
    private textview textview;
    public progressasynctask(webview webview,textview textview) {
      super();
      this.webview=webview;
      this.textview=textview;
    }

    /**
     * 这里的integer参数对应asynctask中的第一个参数 这里的string返回值对应asynctask的第三个参数
     * 该方法并不运行在ui线程当中,主要用于异步操作,所有在该方法中不能对ui当中的空间进行设置和修改
     * 但是可以调用publish progress方法触发onprogressupdate对ui进行操作
     */
    @override
    protected string doinbackground(integer... params) {
      string str =null;
      document doc = null;
      try {
//        string url ="http://www.cnblogs.com/zyw-205520/p/3355681.html";
//        
//        doc= jsoup.parse(new url(url).openstream(),"utf-8", url);
//        //doc = jsoup.parse(readhtml(url));
//        //doc=jsoup.connect(url).get();
//        str=doc.body().tostring();
        doc = jsoup.connect("http://www.cnblogs.com/zyw-205520/archive/2012/12/20/2826402.html").get();
        elements listdiv = doc.getelementsbyattributevalue("class","postbody");
        for (element element :listdiv) {
          str=element.html();
          system.out.println(element.html());
        }
        log.d("doinbackground", str.tostring());
        system.out.println(str);
        //你可以试试gbk或utf-8
      } catch (exception e) {
        // todo auto-generated catch block
        e.printstacktrace();
      }
      return str.tostring() ;
      //return test();
    }

    /**
     * 这里的string参数对应asynctask中的第三个参数(也就是接收doinbackground的返回值)
     * 在doinbackground方法执行结束之后在运行,并且运行在ui线程当中 可以对ui空间进行设置
     */
    @override
    protected void onpostexecute(string result) {
      webview.loaddata(result, "text/html;charset=utf-8", null);
      textview.settext(result);
      removedialog(dialog_key);
    }

    // 该方法运行在ui线程当中,并且运行在ui线程当中 可以对ui空间进行设置
    @override
    protected void onpreexecute() {
      showdialog(dialog_key);
    }

    /**
     * 这里的intege参数对应asynctask中的第二个参数
     * 在doinbackground方法当中,,每次调用publishprogress方法都会触发onprogressupdate执行
     * onprogressupdate是在ui线程中执行,所有可以对ui空间进行操作
     */
    @override
    protected void onprogressupdate(integer... values) {
      
    }
  }

}

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。