爬蟲-jsoup解析

Jsoup

我們抓取到頁面之后，還需要對頁面進行解析。可以使用字符串處理工具解析頁面，也可以使用正則表達式，但是這些方法都會帶來很大的開發成本，所以我們需要使用一款專門解析html頁面的技術。

1.1. jsoup介紹

jsoup 是一款Java 的HTML解析器，可直接解析某個URL地址、HTML文本內容。它提供了一套非常省力的API，可通過DOM，CSS以及類似於jQuery的操作方法來取出和操作數據。

 

jsoup的主要功能如下：

1. 從一個URL，文件或字符串中解析HTML；
2. 使用DOM或CSS選擇器來查找、取出數據；
3. 可操作HTML元素、屬性、文本；

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.10.3</version>
</dependency>
<!--測試-->
<dependency>
    <groupId>junit</groupId>
    <artifactId>junit</artifactId>
    <version>4.12</version>
</dependency>
<!--工具-->
<dependency>
    <groupId>org.apache.commons</groupId>
    <artifactId>commons-lang3</artifactId>
    <version>3.7</version>
</dependency>
<dependency>
    <groupId>commons-io</groupId>
    <artifactId>commons-io</artifactId>
    <version>2.6</version>
</dependency>

 使用dom方式遍歷文檔

元素獲取

1. 根據id查詢元素getElementById
2. 根據標簽獲取元素getElementsByTag
3. 根據class獲取元素getElementsByClass
4. 根據屬性獲取元素getElementsByAttribute

元素中獲取數據

1. 從元素中獲取id
2. 從元素中獲取className
3. 從元素中獲取屬性的值attr
4. 從元素中獲取所有屬性attributes
5. 從元素中獲取文本內容text

 使用選擇器語法查找元素

jsoup elements對象支持類似於CSS (或jquery)的選擇器語法，來實現非常強大和靈活的查找功能。這個select 方法在Document, Element,或Elements對象中都可以使用。且是上下文相關的，因此可實現指定元素的過濾，或者鏈式選擇訪問。

Select方法將返回一個Elements集合，並提供一組方法來抽取和處理結果。

 使用dom方式遍歷文檔

tagname: 通過標簽查找元素，比如：span

#id: 通過ID查找元素，比如：# city_bj

.class: 通過class名稱查找元素，比如：.class_a

[attribute]: 利用屬性查找元素，比如：[abc]

[attr=value]: 利用屬性值來查找元素，比如：[class=s_name]

 Selector選擇器組合使用

el#id: 元素+ID，比如： h3#city_bj

el.class: 元素+class，比如： li.class_a

el[attr]: 元素+屬性名，比如： span[abc]

任意組合: 比如：span[abc].s_name

ancestor child: 查找某個元素下子元素，比如：.city_con li 查找"city_con"下的所有li

parent > child: 查找某個父元素下的直接子元素，比如：

.city_con > ul > li 查找city_con第一級（直接子元素）的ul，再找所有ul下的第一級li

parent > *: 查找某個父元素下所有直接子元素

代碼測試

public class JsoupTest {

    @Test
    public void testJsoupUrl() throws Exception {
        //    解析url地址
        Document document = Jsoup.parse(new URL("http://www.jingdong.com/"), 1000);
        //獲取title的內容
        Element title = document.getElementsByTag("title").first();
        System.out.println(title.text());
    }

    @Test
    public void testJsoupHtml() throws Exception {
        //    解析文件
        Document document = Jsoup.parse(new File("F:\\boss\\1.html"), "UTF-8");
        //獲取title的內容
        Element title = document.getElementsByTag("title").first();
        System.out.println(title.text());
        //1.根據id查詢元素getElementById
        Element element = document.getElementById("city_bj");
        System.out.println(element.text());
        //2.根據標簽獲取元素getElementsByTag
        element = document.getElementsByTag("title").first();
        System.out.println(element.text());
        //3.根據class獲取元素getElementsByClass
        element = document.getElementsByClass("s_name").last();
        System.out.println(element.text());
        //4.根據屬性獲取元素getElementsByAttribute
        element = document.getElementsByAttribute("abc").first();
        System.out.println("abc:" + element.text());
        //定義屬性
        element = document.getElementsByAttributeValue("class", "city_con").first();
        System.out.println(element.text());
    }

    /**
     * 標簽屬性選擇
     *
     * @throws Exception
     */
    @Test
    public void testJsoupHtml2() throws Exception {
        //解析文件
        Document document = Jsoup.parse(new File("F:\\boss\\1.html"), "UTF-8");
        //獲取元素
        Element element = document.getElementById("test");
        //1.從元素中獲取id
        String str = element.id();
        System.out.println("id:" + str);
        //2.從元素中獲取className
        str = element.className();
        System.out.println("className:" + str);
        //3.從元素中獲取屬性的值attr
        str = element.attr("id");
        System.out.println("attr:" + str);
        //4.從元素中獲取所有屬性attributes
        str = element.attributes().toString();
        System.out.println("attributes:" + str);
        //5.從元素中獲取文本內容text
        str = element.text();
        System.out.println("text:" + str);
    }

    /**
     * css 選擇器
     *
     * @throws Exception
     */
    @Test
    public void testJsoupHtml3() throws Exception {
        //解析文件
        Document document = Jsoup.parse(new File("F:\\boss\\1.html"), "UTF-8");
        //tagname: 通過標簽查找元素，比如：span
        Elements span = document.select("span");
        for (Element element : span) {
            System.out.println("span:" + element.text());
        }
        //#id: 通過ID查找元素，比如：#city_bjj
        String str = document.select("#city_bj").text();
        System.out.println("#city_bj" + str);
        //.class: 通過class名稱查找元素，比如：.class_a
        str = document.select(".class_a").text();
        System.out.println(".class_a" + str);
        //[attribute]: 利用屬性查找元素，比如：[abc]
        str = document.select("[abc]").text();
        System.out.println("[abc]" + str);
        //[attr=value]: 利用屬性值來查找元素，比如：[class=s_name]
        str = document.select("[class=s_name]").text();
        System.out.println("#[class=s_name]" + str);

    }
    /**
     * 組合選擇器
     *
     * @throws Exception
     */
    @Test
    public void testJsoupHtml4() throws Exception {
        Document document = Jsoup.parse(new File("F:\\boss\\1.html"), "UTF-8");
        //el#id: 元素+ID，比如： h3#city_bj
        String str = document.select("h3#city_bj").text();
        //el.class: 元素+class，比如： li.class_a
        str = document.select("li.class_a").text();
        //el[attr]: 元素+屬性名，比如： span[abc]
        str = document.select("span[abc]").text();
        //任意組合，比如：span[abc].s_name
        str = document.select("span[abc].s_name").text();
        //ancestor child: 查找某個元素下子元素，比如：.city_con li 查找"city_con"下的所有li
        str = document.select(".city_con li").text();
        //parent > child: 查找某個父元素下的直接子元素，
        //比如：.city_con > ul > li 查找city_con第一級（直接子元素）的ul，再找所有ul下的第一級li
        str = document.select(".city_con > ul > li").text();
        //parent > * 查找某個父元素下所有直接子元素.city_con > *
        str = document.select(".city_con > *").text();
    }