jsoup爬虫简书首页数据做个小Demo

一时失言乱红尘 2022-05-30 09:17 186阅读 0赞

> 代码地址如下：  
> [http://www.demodashi.com/demo/11643.html][http_www.demodashi.com_demo_11643.html]

*昨天LZ去面试，遇到一个大牛，被血虐一番，发现自己基础还是很薄弱，对java一些原理掌握的还是不够稳固，比如java反射注解，知道一点就是说不出来，很尴尬… 生命不止，学习不止啊*

> 之前那个项目 QNews 用的是的第三方的数据平台，所以访问次数会有限制，这就很无奈。。。

*[我的博客地址][Link 1]*

![次数限制.PNG][.PNG]

> 每天只能请求100次….但是LZ这个穷屌丝也买不起服务器，所以就上网查，有什么别的方法可以获取数据，意外之间发现了jsoup这个强大的框架，就花了上午时间学习了一下，然后下午做了一个小Demo，功能比较单一，请见谅。
> 
> 其实一开始的时候是想 爬今日头条的数据，但是发现数据总是为空，我估计是上锁了… 然后就把矛头转向了 简书，哈哈哈…果然简书就是好，数据直接就可以爬到了， 好开心啊！！

先演示一波动态图：

![整体效果.gif][.gif]

> 话说这个布局就花了我半个小时…
> 
> 一些基础的我就不说了，就简单说明一下我的数据是如何爬到的。可以直接去看一下我的源码，写的比较仓促，一些细节没有处理好，多多指教。

# 1. 准备 #

#### 1. 相关资料 ####

> [官方文档][Link 2]
> 
> [中文文档][Link 3]

#### 2. 添加依赖 ####

compile 'org.jsoup:jsoup:1.9.2'

#### 3. 打开简书首页 ####

![first.gif][]

在单个部分上 右击，然后点击**检查**选项(我用的是QQ浏览器，其他未尝试)，底部就会跳出网页的源码，并且会跟踪到这个item对应的源码。

从上图可以大概了解到每个`<li></li>`标签里的内容就是我们每个item的信息。

# 2. 爬数据 #

#### 1. 获取 `Document` 对象 ####

Document document = Jsoup.connect("http://www.jianshu.com/")
                                 .timeout(10000)
                                 .get();

> 这里通过建立与服务器的链接，并设置10s的超时连接来获取 `Document` 对象

#### 2. 获取跟标签的 `Elements` 对象 ####

![first.PNG][]

Elements noteList = document.select("ul.note-list");
    Elements li = noteList.select("li");

> 找到文章列表模块，发现 `<ul class="note-list></ul>` 是我们需要信息的跟标签。通过 `select` 方法查询节点所有信息。

for (Element element : li) {
        ...
    }

> 下面全部都是 `li`标签的列表，里面的内容大致相似，我们就可以通过循环来遍历里面的信息。

#### 3. 获取每个部分所有信息 ####

因为信息比较多，我就选择比较有代表性的来将一下。

有个非常简单的方式：直接在你需要获取内容的部分右击，点击 **检查**，就可以直接追踪到要查询的位置。

![second.gif][]

#### 1. 标题 ####

> 就拿标题而言，直接在标题右击–>检查，即可，一目了然。然后我把数据截图一下。

![second.PNG][]

String title = element.select("a.title").text()

> 通过 `select` 查询节点信息，然后`.text` 获取里面文本内容。

#### 2. 头像： ####

![third.PNG][]

String avatar = element.select("a.avatar").select("img").attr("src")

> 这个就是先找到头像 节点，然后图片节点，最后通过 `attr` 获取图片 `url`

#### 3. 首页链接 ####

![forth.PNG][]

String authorLink = element.select("a.blue-link").attr("abs:href")

> 这里注意 `href` 元素，他存放的就是跳转链接，不过是相对路径，这个时候就需要通过 `attr("abs:href")` 获取绝对路径。

其他 就 大同小异，其实我知道也就这么多，也是不断尝试通过打印得出来的，还是比较心酸的，比较没学过 `js`，不过对 `js` 挺有兴趣的。

# 3. 封装 #

剩下的就是将获取到的数据加载到bean对象中

#### 1. 创建 bean 对象 ####

public class JianshuBean {
        private String authorName;          // 作者
        private String authorLink;          // 作者链接
        private String time;                // 更新时间
        private String primaryImg;          // 主图
        private String avatarImg;           // 头像
    
        private String title;               // 标题
        private String titleLink;           // 标题链接
        private String content;             // 内容
        private String collectionTagLink;   // 专题链接
        private String readNum;             // 阅读量
    
        private String talkNum;             // 评论
        private String likeNum;             // 喜欢
        private String collectionTag;       // 专题
    
        // ... get set
    }

#### 2. 将获取到的数据添加到集合中 ####

for (Element element : li) {
        JianshuBean bean = new JianshuBean();
        bean.setAuthorName(element.select("div.name").text()); // 作者姓名
        bean.setAuthorLink(element.select("a.blue-link").attr("abs:href")); // 作者首页链接
        bean.setTime(element.select("span.time").attr("data-shared-at"));   // 发表时间
        bean.setPrimaryImg(element.select("img").attr("src"));  // 主图
        bean.setAvatarImg(element.select("a.avatar").select("img").attr("src")); // 头像
    
        bean.setTitle(element.select("a.title").text());    // 标题
        bean.setTitleLink(element.select("a.title").attr("abs:href")); // 标题链接
    
        bean.setContent(element.select("p.abstract").text());       // 内容
        bean.setCollectionTagLink(element.select("a.collection-tag").attr("abs:href")); // 专题链接
    
        String[] text = element.select("div.meta").text().split(" ");
        if (text[0].matches("[0-9]+")) {
            bean.setReadNum(text[0]);
            bean.setTalkNum(text[1]);
            bean.setLikeNum(text[2]);
        } else {
            bean.setCollectionTag(text[0]);
            bean.setReadNum(text[1]);
            bean.setTalkNum(text[2]);
            bean.setLikeNum(text[3]);
    
        }
        mBeans.add(bean);
    }

再来看一下效果：

![整体效果.gif][.gif]

##### 项目文件截图： #####

![vOeDVab3iqaHwsR9nAm.gif][]

*  点击头像查看作者信息
 *  点击图片或文字查看文章内容
 *  点击专题查看专题内容
 *  下拉刷新获取最新内容

希望大家多多支持我，谢谢！  
jsoup爬虫简书首页数据做个小Demo

> 代码地址如下：  
> [http://www.demodashi.com/demo/11643.html][http_www.demodashi.com_demo_11643.html]
> 
> 注：本文著作权归作者，由demo大师发表，拒绝转载，转载需要作者授权

[http_www.demodashi.com_demo_11643.html]: http://www.demodashi.com/demo/11643.html
[Link 1]: https://xiaweizi.github.io/
[.PNG]: /images/20220530/82d5e476315f4829959e50c22b5ec449.png
[.gif]: /images/20220530/84b1f32f2aa941d8b0634522f5dc02c7.png
[Link 2]: https://jsoup.org/cookbook/
[Link 3]: http://www.open-open.com/jsoup/
[first.gif]: /images/20220530/b4c8828a40ee4a1e9acd956a371c7a22.png
[first.PNG]: /images/20220530/9772ca36a7f4442cbd3f44561c9d28e5.png
[second.gif]: /images/20220530/8c6f8b5384c443f39d7f9bb06a131a1c.png
[second.PNG]: /images/20220530/135713e357374523a64ad6344fa76c77.png
[third.PNG]: /images/20220530/c12224853c024443bb6c443778565b0e.png
[forth.PNG]: /images/20220530/dc15fc0abede4d1eb68dc22bc2dcf3e5.png
[vOeDVab3iqaHwsR9nAm.gif]: /images/20220530/ec442bc6c30b4ddebd20d34ba6711863.png