Java爬虫系列三：使用Jsoup解析HTML

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

 

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"

   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）

   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。

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);
        }
    }
}