jsoup web scraping

时间：2014-06-14 23:15:38 收藏：0 阅读：420

jsoup简介

jsoup是一款HTML解析器，可用与解析URL地址、HTML文本内同等，操作类似于jQuery，可通过DOM查找数据，操作数据, 使用时需引入jsoup jar

jsoup可以从包含字符串、url及本地文件加载html文档，生成Document对象，通过Document对象即可操作文档中的数据

eg：

 //通过url
Document doc = Jsoup.connect("http://www.cnblogs.com/wishyouhappy").get();


//通过html 字符串
String html = "<html><head></head> <body><p>#####</p></body></html>";
Document  doc = Jsoup.parse(html);

//通过文件加载,第三个参数指示baseURL
 File input = new File("D:/test.html"); 
 Document doc = Jsoup.parse(input,"UTF-8","http://www.cnblogs.com/wishyouhappy");

数据操作eg：

Document doc = Jsoup.connect("http://www.cnblogs.com/wishyouhappy").get();
System.out.println(doc.title());

常用函数

parse相关：

static Document parse(File in, String charsetName)
static Document parse(File in, String charsetName, String baseUri)
static Document parse(InputStream in, String charsetName, String baseUri)
static Document parse(String html)
static Document parse(String html, String baseUri)   
static Document parse(URL url, int timeoutMillis)
static Document parseBodyFragment(String bodyHtml)
static Document parseBodyFragment(String bodyHtml, String baseUri)

url connect相关：

Connection connect(String url) //根据给定的url(必须是http或https)来创建连接

Connection cookie(String name, String value) //发送请求时放置cookie 
Connection data(Map<String,String> data) //传递请求参数 
Connection data(String... keyvals) //传递请求参数

Document get() //以get方式发送请求并对返回结果进行解析
Document post()//以post方式发送请求并对返回结果进行解析 

Connection userAgent(String userAgent) 
Connection header(String name, String value) //添加请求头
Connection referrer(String referrer) //设置请求来源

获取html元素：

getElementById(String id) //用id获得元素
getElementsByTag(String tag) //用标签获得元素
getElementsByClass(String className) //用class获得元素
getElementsByAttribute(String key)  //用属性获得元素

siblingElements(), 
firstElementSibling(), 
lastElementSibling();
nextElementSibling(), 
previousElementSibling()

获取和设置元素的值：

attr(String key)  //获得元素的数据 
attr(String key, String value) //设置元素数据 
attributes() //获得所以属性
id(), 
className() 
classNames() 
text() //获得文本值
text(String value) //设置文本值
html() //获取html 
html(String value)//设置html
outerHtml()
data()
tag()  //获得tag 
tagName() //获得tagname

添加元素：

append(String html), 
prepend(String html)
appendText(String text), 
prependText(String text)
appendElement(String tagName),
prependElement(String tagName)

选择器：

tagname	使用标签名来定位，例如 a
ns\|tag	使用命名空间的标签定位，例如 fb:name 来查找 <fb:name> 元素
#id	使用元素 id 定位，例如 #logo
.class	使用元素的 class 属性定位，例如 .head
[attribute]	使用元素的属性进行定位，例如 [href] 表示检索具有 href 属性的所有元素
[^attr]	使用元素的属性名前缀进行定位，例如 [^data-] 用来查找 HTML5 的 dataset 属性
[attr=value]	使用属性值进行定位，例如 [width=500] 定位所有 width 属性值为 500 的元素
*[attr^=value], [attr$=value], [attr=value]**	这三个语法分别代表，属性以 value 开头、结尾以及包含
[attr~=regex]	使用正则表达式进行属性值的过滤，例如 img[src~=(?i)\.(png\|jpe?g)]
*	定位所有元素

el#id	定位 id 值某个元素，例如 a#logo -> <a id=logo href= … >
el.class	定位 class 为指定值的元素，例如 div.head -> <div class="head">xxxx</div>
el[attr]	定位所有定义了某属性的元素，例如 a[href]
以上三个任意组合	例如 a[href]#logo 、a[name].outerlink
ancestor child	这五种都是元素之间组合关系的选择器语法，其中包括父子关系、合并关系和层次关系。
parent > child
siblingA + siblingB
siblingA ~ siblingX

:lt(n)	例如 td:lt(3) 表示小于三列
:gt(n)	div p:gt(2) 表示 div 中包含 2 个以上的 p
:eq(n)	form input:eq(1) 表示只包含一个 input 的表单
:has(seletor)	div:has(p) 表示包含了 p 元素的 div
:not(selector)	div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表
:contains(text)	包含某文本的元素，不区分大小写，例如 p:contains(oschina)
:containsOwn(text)	文本信息完全等于指定条件的过滤
:matches(regex)	使用正则表达式进行文本过滤：div:matches((?i)login)
:matchesOwn(regex)	使用正则表达式找到自身的文本

例子：

package jsoup;

/**  
 *   
 * 创建人：wish
 * 创建时间：2014年6月13日 下午1:22:49  
 */
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 BlogCatch {
    /**
     * main
     * @param args
     * @throws Exception
     */
    public static void main(String[] args) throws Exception {
        
       // getArticleTitle("http://www.cnblogs.com/wishyouhappy");
        Document doc = Jsoup.connect("http://www.cnblogs.com/wishyouhappy") 
                .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();   
        System.out.println(doc.title());
    }

    /**
     * 获取指定HTML 文档指定的body
     * 传入html string
     * @throws IOException
     */
    @SuppressWarnings("unused")
    private static void getBlogBodyByString(String html) {
        Document doc = Jsoup.parse(html);
        System.out.println(doc.body());
    }
    
    /**
     * 
     * getBlogBodyByURL 通过url获取文档body
     * @param   url  
     * @return 
     * 
     */
    @SuppressWarnings("unused")
    private static void getBlogBodyByURL(String url) throws IOException {
        // 从 URL 直接加载 HTML 文档
        Document doc2 = Jsoup.connect(url).get();
        String title = doc2.body().toString();
        System.out.println(title);
    }

    /**
     * 
     * article 获取博客上的文章标题和链接
     * @param   url  
     * @return 
     * @Exception 异常对象
     */
    public static void getArticleTitle(String url) {
        Document doc;
        try {
            doc = Jsoup.connect(url).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();
        }

    }
    
    /**
     * 
     * getBlog 获取指定博客文章的内容
     * @param   name  
     * @return 
     * @Exception 异常对象
     */
    public static void getBlog(String url) {
        Document doc;
        try {
            doc = Jsoup.connect(url).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();
        }
        
    }

}

jsoup web scraping,布布扣,bubuko.com