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

爬虫技术 jsoup-1.11.1

程序员文章站 2022-05-05 14:48:48
...

Jsoup解析html方法，通常被人称之为爬虫技术，爬取网页数据。

1，需要的jar

爬虫技术 jsoup-1.11.1

Maven依赖：

<dependency>
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.11.1</version>
</dependency>

2，Jsoup的应用API

2.1生成Document文件（本身继承Element）。

 A，html字符串转换成一个Document对象：

String html = "<html><head><title>HTML</title></head>"  
      + "<body><p>HTML超文本标记语言</p></body></html>";  
Document doc = Jsoup.parse(html);

B，将一个网页html转换成一个Document对象：

Document doc1 = Jsoup.parse(new URL("http://www.baidu.com"), 5000);  
Document doc2 = Jsoup.connect("<url>").timeout(15000).cookie("<key>","<value>").ignoreHttpErrors(true).followRedirects(true).validateTLSCertificates(false).header("<headerParamKey>","<headerParamValue>").data("<paramKey>","<paramValue>").requestBody("<requestBody>").get();//GET请求，也有POST请求

C，将本地的一个html文件，转换成一个Document对象：

File file = new File("E:/resource/html/index.html");  
Document doc1 = Jsoup.parse(file, "UTF-8");
2.2，遍历一个文档Document。

A，DOM方法

查找元素

元素数据

B，选择器语法查找数据

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
2.3，从元素中抽取属性，文本和html。

上一篇： htmlunit带来的大坑 插入数据Mysql 导致CPU消耗爆棚100%

下一篇： Exception in thread "main" java.lang.NoSuchMethodError: org.apache.commons.io.IOUtils.toString(Ljava

推荐阅读