java爬取網頁內容 簡單例子（2）——附jsoup的select用法詳解

【背景】

　　在上一篇博文 java爬取網頁內容 簡單例子（1）——使用正則表達式 里面，介紹了如何使用正則表達式去解析網頁的內容，雖然該正則表達式比較通用，但繁瑣，代碼量多，現實中想要想出一條簡單的正則表達式 對於沒有很好正則表達式基礎的人——比如說我T_T——是一件蠻困難的事。這一篇，我們改用jsoup，一個強大的解析html工具，去解析html，你會發現，一切都變得很容易。

 

【准備工作】

下載：jsoup-1.6.1.jar

 

【先看效果】

目標網站：中國天氣 

目的：獲取今天的天氣

目標HTML代碼：

<li class="dn on" data-dn="7d1">
      <h1>今天</h1>
      <h2>8日</h2>
      <big class="jpg50 d04"></big>
      <big class="jpg50 n04"></big>    
      <p class="wea" title="雷陣雨">雷陣雨</p>
      <p class="tem tem1"> <span>33</span><i>°C</i> </p>
      <p class="tem tem2"> <span>25</span><i>°C</i> </p>
      <p class="win">
            <em>
                  <span title="無持續風向" class=""></span>
                  <span title="無持續風向" class=""></span>
            </em>
            <i>微風</i>
      </p>
      <div class="slid"></div>
</li>

 

解析的java代碼：

（1）審查網頁元素后發現，我們要的內容在上面的目標HTML代碼中，在整個網頁中是在 class="dn on" data-dn="7d1" 的<li>中

（2）“今天” 兩字在<h1></h1>中

（3）“8日” 兩字在<h2></h2>中

（4）“雷陣雨” 三字在 class="wea" 中

（5）“33” 在第一個<span>中

（6）“25” 在第二個<span>中

（7）“微風” 兩字在 第三個<i> 中

有了上面的分析，要獲取到這些天氣內容就易如反掌了。如下java代碼：

package com.zjm.www.test;

import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;

public class TestJsoup {
    
    public  Document getDocument (String url){
        try {
            return Jsoup.connect(url).get();
        } catch (IOException e) {
            e.printStackTrace();
        }
        return null;
    }

    public static void main(String[] args) {
        TestJsoup t = new TestJsoup();
        Document doc = t.getDocument("http://www.weather.com.cn/html/weather/101280101.shtml");
        // 獲取目標HTML代碼
        Elements elements1 = doc.select("[class=dn on][data-dn=7d1]");
        // 今天
        Elements elements2 = elements1.select("h1");
        String today = elements2.get(0).text();
        System.out.println(today);
        // 幾號
        Elements elements3 = elements1.select("h2");
        String number = elements3.get(0).text();
        System.out.println(number);
        // 是否有雨
        Elements elements4 = elements1.select("[class=wea]");
        String rain = elements4.get(0).text();
        System.out.println(rain);
        // 高的溫度
        Elements elements5 = elements1.select("span");
        String highTemperature = elements5.get(0).text()+"°C";
        System.out.println(highTemperature);
        // 低的溫度
        String lowTemperature = elements5.get(1).text()+"°C";
        System.out.println(lowTemperature);
        // 風力
        Elements elements6 = elements1.select("i");
        String wind = elements6.get(2).text();
        System.out.println(wind);
    }
}

 

結果打印出：

今天
8日
雷陣雨
33°C
25°C
微風

 

【詳解】

附:

• jsoup的官方中文文檔為：http://www.open-open.com/
• API為：http://jsoup.org/apidocs/

java代碼第13行：

　　從文檔中我們可用看出，獲取數據源的方法有三：

（1）從一段html代碼字符串獲取：　　Document doc = Jsoup.parse(html);

（2）從一個url獲取：　　　　　　　　Document doc = Jsoup.connect("http://example.com/").get();

（3）從一個html文件獲取　　　　　　File input = new File("/tmp/input.html");    Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

這里，我們采取了第二種方法，從url中獲取。

java代碼第24、26、30、34、38行：

　　Document 繼承自 Element 類， 而Element類有一個很好的方法，叫select ， 這個選擇器幾乎無所不能。快速從一堆html代碼中獲取我們想要的一段，我覺得使用select最方便。下面我們來看怎么使用select方法來查找。

注：以下表格的結果都是使用以下語句打印出來的

for(Element e : elements) {
            System.out.println(e.text());
        }

 

select詳解
描述	測試的HTML代碼	select寫法	結果
通過 標簽名 來查找	<span>33</span> <span>25</span>	Elements elements = doc.select("span");   注：通過標簽來查找，直接寫 "標簽名" 就好，不需要尖括號。	33 25
通過  id  來查找	<span id=\"mySpan\">36</span> <span>20</span>	Elements elements = doc.select("#mySpan");  注：通過id來查找，使用方法跟css指定元素一樣，用#	36
通過  class名  來查找	<span class=\"myClass\">36</span> <span>20</span>	Elements elements = doc.select(".myClass"); 注：通過id來查找，使用方法跟css指定元素一樣，用 .	36
利用標簽內  屬性名  查找元素	<span class=\"class1\" id=\"id1\">36</span> <span class=\"class2\" id=\"id2\">36</span>	Elements elements = doc.select("span[class=class1]span[id=id1]");  注：規則為 標簽名【屬性名=屬性值】，標簽名可寫可不寫，多個屬性即多個【】，如上。	36
利用標簽內  屬性名前綴  查找元素	<span class=\"class1\" >36</span> <span class=\"class2\" >22</span>	Elements elements = doc.select("span[^cl]");  注：規則為 標簽名【^屬性名前綴】，標簽名可寫可不寫，多個屬性即多個【】。	36 22
利用標簽內 屬性名+正則表達式 查找元素	<span class=\"ABC\" >36</span> <span class=\"ADE\" >22</span>	Elements elements = doc.select("span[class~=^AB]");  注：規則為 標簽名【屬性名~=正則表達式】，以上的正則表達式的意思是查找以class值以AB為開頭的標簽，標簽名可寫可不寫，多個屬性即多個【】	36
利用標簽 文本包含某些內容 來查找	<span>36</span> <span>22</span>	Elements elements = doc.select("span:contains(3)");  注：規則為 標簽名:contains(文本值)	36
利用標簽 文本包含某些內容+正則表達式 來查找	<span>36</span> <span>22</span>	Elements elements = doc.select("span:matchesOwn(^3)");  注：規則為 標簽名:matchesOwn(正則表達式)，以上的正則表式的意思是以文本值以3為開頭的標簽	36

關於select，還有一些其他的查找方法，以上只列出個人覺得比較好用、常用的語法。

select方法返回的是一個Elements 對象，里面包含着找到的所有節點。遍歷Elements ，通過get（index），就可以拿出具體的 節點了。通過節點的text()方法，就可用拿出文本值。

而想得到節點的其他屬性，可以看API的介紹。

 

【結語】

jsoup還有其他強大的功能，在此只介紹其在獲取網頁特定內容的寫法。希望對剛接觸jsoup的人有幫助。

如果本文有哪里寫得不好或寫錯，歡迎各位提出來，感激不盡~