简介
本文介绍SpringBoot使用jsoup(Java爬虫工具)的方法。
jsoup 是一款 Java 的 HTML 解析器，它提供了一套非常便利的 API，可通过 DOM、CSS 通过类似于 JQuery 的操作方法来取出和操作数据。
jsoup的主要功能
- 从一个URL、文件或字符串中解析HTML；
- 用DOM和css或类似jquery的selector语法获取Element，然后从从中获取节点属性、文本、html
- 对Element的进行操作，包括HTML的值、节点内容的值和设置节点属性的值；
引入依赖
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.17.2</version>
</dependency>
解析Document
Jsoup支持四种方式解析Document，即可以输入四种内容得到一个Document：
- 字符串
- body片段
- URL
- 文件
字符串解析示例
字符串中必须包含head和body元素。
String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>"; Document doc = Jsoup.parse(html);
body片段解析
String html = "<div><p>Lorem ipsum.</p>"; Document doc = Jsoup.parseBodyFragment(html); // doc 此时为：<body> <p>Lorem ipsum.</p></body> Element body = doc.body(); System.out.println(body);
从URL解析
Document doc = Jsoup.connect("http://example.com/").get();
String title = doc.title();
还可以携带cookie等参数：
Document doc = Jsoup.connect("http://example.com")
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
// 自定义key和value
.header("Content-Type", "application/json")
.timeout(3000)
.post();
从文件解析
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8");
选择元素
获取数据一共有 2 种方式，分别为 DOM方式、CSS选择器方式。
DOM方式
将HTML解析成一个Document之后，就可以使用类似于DOM的方法进行操作。
Document doc = Jsoup.connect("http://csdn.com").get();
// 获取带有 href 属性的 a 元素
Elements elements = doc.select("a[href]");
for (Element content : elements) {
String linkHref = content.attr("href");
String linkText = content.text();
System.out.print(linkText + "\t");
System.out.println(linkHref);
}
说明
Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下：
查找元素
- getElementById(String id)：通过id来查找元素
- getElementsByTag(String tag)：通过标签来查找元素
- getElementsByClass(String className)：通过类选择器来查找元素
- getElementsByAttribute(String key) ：通过属性名称来查找元素，例如查找带有href元素的标签。
- siblingElements()：获取兄弟元素。如果元素没有兄弟元素，则返回一个空列表。
- firstElementSibling()：获取第一个兄弟元素。
- lastElementSibling()：获取最后一个兄弟元素。
- nextElementSibling()：获取下一个兄弟元素。
- previousElementSibling()：获取上一个兄弟元素。
- parent()：获取此节点的父节点。
- children()：获取此节点的所有子节点。
- child(int index)：获取此节点的指定子节点。
CSS选择器方式
可以使用类似于CSS选择器的语法来查找和操作元素，常用的方法为select(String selector)。
Document doc = Jsoup.connect("http://csdn.com").get();
// 获取带有 href 属性的 a 元素
Elements elements = doc.select("a[href]");
for (Element content : elements) {
String linkHref = content.attr("href");
String linkText = content.text();
System.out.print(linkText + "\t");
System.out.println(linkHref);
}
说明
- select()方法在Document、Element或Elements对象中都可以使用，而且是上下文相关的，因此可实现指定元素的过滤，或者采用链式访问。
- select() 方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。
链式访问示例
Document document = Jsoup.connect(URL).get();
// URL是要爬取页面的链接
Elements elements = document
.select("div.vsb-box")
.select("h2[class=cleafix]")
.select("a[href]");
读取元素
获得元素后，就可以获取元素中的数据。
方法有
- attr(String key)：获取单个属性值
- attributes()：获取所有属性值
- attr(String key, String value)：设置属性值
- text()：获取文本内容
- text(String value)：设置文本内容
- html()：获取元素内的HTML内容
- html(String value)：设置元素内的HTML内容
- outerHtml()：获取元素外HTML内容
- data()：获取数据内容（例如：script和style标签)
- id()：获得id值（例：<p id=”goods”>衣服</p>）
- className()：获得第一个类选择器值
- classNames()：获得所有的类选择器值
- tag()：获取元素标签
- tagName()：获取元素标签名（如：<p>、<div>等）
- .hasClass(String className)：检查这个元素是否含有一个类选择器（不区分大小写）。
String html = "<p><a href='http://csdn.com/'><b>example</b></a> link.</p>";
Document doc = Jsoup.parse(html);
// 查找第一个<a>元素
Element link = doc.select("a").first();
String text = link.text();
// 输出：example。
String href = link.attr("href");
// 输出：http://csdn.com/
String aHtml = link.outerHtml();
// 输出：<b>example</b>
String aOuterHtml = link.outerHtml();
// 输出：<a href='http://csdn.com/'><b>example</b></a>
修改元素
解析了Document对象后，可能想修改其中的某些属性值，把它输出到前台页面或保存到其他地方，jsoup对此提供了一套非常简便的接口（支持链式写法）。
设置属性的值
以下方法针对Element对象操作时，只有一个元素会受到影响。当针对Elements对象进行操作时，会影响到多个元素。
- attr(String key, String value)：设置标签的属性值。
- addClass(String className)：增加类选择器选项
- removeClass(String className)：删除对应的类选择器
Document doc = Jsoup.connect("http://csdn.com").get();
Elements elements = doc.getElementsByClass("text");
// 复数，Elements
Element element = elements.first();
// 单数，Element
elements.attr("name","goods");
// 复数对象，所有 class="text" 的元素都将受到影响
element.attr("name","shop")
.addClass("red");
// 单数对象，只有一个元素会受到影响（链式写法）
修改元素的HTML内容
- html(String value)：这个方法将先清除元素中的HTML内容，然后用传入的HTML代替。
- prepend(String value)：在元素前添加html内容。
- append(String value)：在元素后添加html内容。
- wrap(String value)：对元素包裹一个外部HTML内容，将元素置于新增的内容中间。
Document doc = Jsoup.connect("http://csdn.com").get();
Element div = doc.select("div").first();
div.html("<p>csdn</p>");
div.prepend("<p>a</p>");
div.append("<p>good</p>");
// 输出：<div"> <p>a</p> <p>csdn</p> <p>good</p> </div>
Element span = doc.select("span").first();
span.wrap("<li><a href='...'></a></li>");
// 输出: <li><a href="..."> <span>csdn</span> </a></li>
修改元素的文本内容
对于传入的文本，如果含有像 <, > 等这样的字符，将以文本处理，而非HTML。
- text(String text) ：清除元素内部的HTML内容，然后用提供的文本代替。
- prepend(String first)：在元素后添加文本节点。
- Element.append(String last)：在元素前添加文本节点。
Element div = doc.select("div").first();
// <div></div>
div.text(" one ");
div.prepend(" two ");
div.append(" three ");
// 输出: <div> two one three </div>
获得状态码等
基本用法
Connection.Response response = null;
Integer httpStatusCode = null;
try {
response = Jsoup.connect("https://baidu.com")
.timeout(5000) // 5秒
.execute();
} catch (SocketTimeoutException e) {
log.error("请求超时", e);
}catch (HttpStatusException e) {
log.error("状态码异常", e);
Integer httpStatusCode = e.getStatusCode();
} catch (IOException e) {
throw new RuntimeException(e);
}
if(httpStatusCode == null
&& response != null) {
httpStatusCode = response.statusCode();
}
// 输出状态码。比如：200
System.out.println(httpStatusCode);
获取失败时的HTML
上边的方法中，如果状态码不是2XX，则会抛出HttpStatusException，无法获得HTML。
可以通过忽略HTTP错误来获取HTML：
Connection.Response response = null;
Integer httpStatusCode = null;
String html = null;
try {
response = Jsoup.connect("https://baidu.com")
.timeout(5000) // 5秒
.ignoreHttpErrors(true)
.execute();
} catch (SocketTimeoutException e) {
log.error("请求超时", e);
} catch (IOException e) {
throw new RuntimeException(e);
}
if (httpStatusCode == null
&& response != null) {
httpStatusCode = response.statusCode();
}
if (response != null) {
html = response.body();
}
// 输出状态码。比如：200
System.out.println(httpStatusCode);
// 输出HTML
System.out.println(html);
请先 ！