CODE大全
版权声明:本文为博主原创文章,未经博主允许不得转载。

利用jsoup爬虫技术获取网页数据

发布时间:『 2016-10-26 15:01』  博客类别:编程语言  阅读(1350) 评论(0)

最近在公司做个系统,由于要获取网页的一些数据,以及一些网页的数据,所以就写的一个公用的HttpUtils.下面是针对乌云网我写的一个例子。

首先是获取指定路径下的网页内容

public static String httpGet(String urlStr, Map<String, String> params) 
throws Exception {
	StringBuilder sb = new StringBuilder();
	if (null != params && params.size() > 0) {
		sb.append("?");
		Entry<String, String> en;
		for (Iterator;Entry String, 
			String  ir = params.entrySet().iterator(); ir.hasNext();) {
			en = ir.next();
			sb.append(en.getKey() + "=" + 
			URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
		}
	}
	URL url = new URL(urlStr + sb);
	HttpURLConnection conn = (HttpURLConnection) url.openConnection();
	conn.setConnectTimeout(5000);
	conn.setReadTimeout(5000);
	conn.setRequestMethod("GET");
	if (conn.getResponseCode() != 200)
		throw new Exception("请求异常状态值:" + conn.getResponseCode());
	BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
	Reader reader = new InputStreamReader(bis,"gbk");
	char[] buffer = new char[2048];
	int len = 0;
	CharArrayWriter caw = new CharArrayWriter();
	while ((len = reader.read(buffer)) > -1)
		caw.write(buffer, 0, len);
	reader.close();
	bis.close();
	conn.disconnect();
	//System.out.println(caw);
	return caw.toString();
}

浏览器询问结果:

 

代码询问结果与上面一致:

通过指定url获取,网页部分想要的数据

对于这个方法,要导入Jsoup包,这个可以自己在网上下载。

Document doc = null;
    try {
          doc = Jsoup.connect("http://www.wooyun.org//bugs//wooyun-2016-0225856")
          .userAgent("Mozilla/5.0 (Windows NT 10.0; Trident/7.0; rv:11.0) like 				Gecko")
          .timeout(30000).get();
    } catch (IOException e) {
         e.printStackTrace();
    }
    for(Iterator<Element> ir = doc.select("h3").iterator();ir.hasNext();){
        System.out.println(ir.next().text());
 }

对于那个select选择器,根据条件来选择,doc.select("h3").iterator(),对于Jsoup有以下规则:

jsoup 是一款基于Java 的HTML解析器,可直接解析某个URL地址或HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。
jsoup的强大在于它对文档元素的检索,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,要掌握Jsoup首先要熟悉它的选择器语法。

Selector选择器基本语法

  • 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选择器组合使用语法

  • 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

Selector伪选择器语法

  • :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

注意:上述伪选择器索引是从0开始的,也就是说第一个元素索引值为0,第二个元素index为1等。

 

浏览器访问:

 

 

代码访问:

 

 

源代码HttpUtils.java:

package com.ffcs.lsoc.bug.utils;
import java.io.BufferedInputStream;
import java.io.CharArrayWriter;
import java.io.InputStreamReader;
import java.io.Reader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.net.URLEncoder;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;
 
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
 
/**
 * 抓取网页工具类
 */
public class HttpUtils {
    public static String httpGet(String urlStr, Map<String, String> params,String charset) 
    throws Exception {
        StringBuilder sb = new StringBuilder();
        if (null != params && params.size() > 0) {
            sb.append("?");
            Entry<String, String> en;
            for (Iterator<Entry<String, String>> ir = params.entrySet().iterator(); ir.hasNext();) {
                en = ir.next();
                sb.append(en.getKey() + "=" + 
                URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
            }
        }
        URL url = new URL(urlStr + sb);
        HttpURLConnection conn = (HttpURLConnection) url.openConnection();
        conn.setConnectTimeout(5000);
        conn.setReadTimeout(5000);
        conn.setRequestMethod("GET");
        if (conn.getResponseCode() != 200){
            throw new Exception("请求异常状态值:" + conn.getResponseCode());
        }
        BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
        Reader reader = new InputStreamReader(bis,charset);
        char[] buffer = new char[2048];
        int len = 0;
        CharArrayWriter caw = new CharArrayWriter();
        while ((len = reader.read(buffer)) > -1)
            caw.write(buffer, 0, len);
        reader.close();
        bis.close();
        conn.disconnect();
        return caw.toString();
    }
    public static String httpGet(String urlStr, Map<String, String> params) throws Exception {
        StringBuilder sb = new StringBuilder();
        if (null != params && params.size() > 0) {
            sb.append("?");
            Entry<String, String> en;
            for (Iterator<Entry<String, String>> ir = params.entrySet().iterator(); ir.hasNext();) {
                en = ir.next();
                sb.append(en.getKey() + "=" + 
                URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
            }
        }
        URL url = new URL(urlStr + sb);
        HttpURLConnection conn = (HttpURLConnection) url.openConnection();
        conn.setConnectTimeout(5000);
        conn.setReadTimeout(5000);
        conn.setRequestMethod("GET");
        if (conn.getResponseCode() != 200)
            throw new Exception("请求异常状态值:" + conn.getResponseCode());
        BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
        Reader reader = new InputStreamReader(bis,"gbk");
        char[] buffer = new char[2048];
        int len = 0;
        CharArrayWriter caw = new CharArrayWriter();
        while ((len = reader.read(buffer)) > -1)
            caw.write(buffer, 0, len);
        reader.close();
        bis.close();
        conn.disconnect();
        //System.out.println(caw);
        return caw.toString();
    }
    public static String catchInfomationFromDocument(Document document , 
    String condition , int position){
         
        if(document != null){
            Iterator<Element> iterator = document.select(condition).iterator();
            if(iterator.hasNext()){
                String str = iterator.next().text();
                return str.substring(position).trim();
            }
        }
        return null;
    }
    public static boolean isExistInfomation(Document document , String condition){
         
        if(document != null){
            Iterator<Element> iterator = document.select(condition).iterator();
            if(iterator.hasNext()){
                return true;
            }
        }
        return false;
    }
}

——— 全文完 ———
如有版权问题,请联系532009913@qq.com。
关键字:   爬虫     Jsoup     api     select     Element  
评论信息
暂无评论
发表评论
验证码: 
Powered by CODE大全 | 鄂ICP备14009759号-2 | 网站留言 Copyright © 2014-2016 CODE大全 版权所有