Jsoup详解，Jsoup.connect(“url”).get()

超、凢脫俗 2022-09-13 04:16 367阅读 0赞

Jsoup是一款Java的HTML解析器，主要用来对HTML解析。[官网![icon-default.png_t_L892][]https://jsoup.org/][icon-default.png_t_L892_https_jsoup.org]

在爬虫的时候，当我们用**HttpClient**之类的框架，获取到网页源码之后，需要从网页源码中取出我们想要的内容，

就可以使用**Jsoup**这类**HTML**解析器了。可以非常轻松的实现。

虽然**Jsoup**也支持从某个地址直接去爬取网页源码，但是只支持**HTTP**，**HTTPS**协议，支持不够丰富。

所以，主要还是用来对**HTML**进行解析。

**◆其中，要被解析的HTML可以是一个HTML的字符串，可以是一个URL，可以是一个文件。**

org.jsoup.Jsoup把输入的HTML转换成一个org.jsoup.nodes.Document对象，然后从Document对象中取出想要的元素。

org.jsoup.nodes.Document继承了org.jsoup.nodes.Element，Element又继承了org.jsoup.nodes.Node类。里面提供了丰富的方法来获取HTML的元素。

**◇从URL获取HTML来解析**

Document doc = Jsoup.connect("http://www.baidu.com/").get();
    String title = doc.title();

其中Jsoup.connect("xxx")方法返回一个org.jsoup.Connection对象。  
在Connection对象中，我们可以执行get或者post来执行请求。但是在执行请求之前，  
我们可以使用Connection对象来设置一些请求信息。比如：头信息，cookie，请求等待时间，代理等等来模拟浏览器的行为。

Document doc = Jsoup.connect("http://example.com")
      .data("query", "Java")
      .userAgent("Mozilla")
      .cookie("auth", "token")
      .timeout(3000)
      .post();

◆获得Document对象后，接下来就是解析Document对象，并从中获取我们想要的元素了。

Document中提供了丰富的方法来获取指定元素。

**◇使用DOM的方式来取得**

*  **       getElementById(String id)：通过id来获取**
 *  **　　getElementsByTag(String tagName)：通过标签名字来获取**
 *  **　　getElementsByClass(String className)：通过类名来获取**
 *  **　　getElementsByAttribute(String key)：通过属性名字来获取**
 *  **　　getElementsByAttributeValue(String key, String value)：通过指定的属性名字，属性值来获取**
 *  **　　getAllElements()：获取所有元素**

**◇通过类似于css或jQuery的选择器来查找元素**

使用的是Element类的下记方法：

public Elements select(String cssQuery)

通过传入一个类似于CSS或jQuery的选择器字符串，来查找指定元素。

**例子：**

File input = new File("/tmp/input.html");
    Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
    
    Elements links = doc.select("a[href]"); //带有href属性的a元素
    Elements pngs = doc.select("img[src$=.png]");
      //扩展名为.png的图片
    
    Element masthead = doc.select("div.masthead").first();
      //class等于masthead的div标签
    
    Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素

选择器的更多语法(可以在org.jsoup.select.Selector中查看到更多关于选择器的语法)：

> 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**  
> 　　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
> 
> 伪选择器selectors  
> 　　: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

◆通过上面的选择器，我们可以取得一个Elements对象，它继承了ArrayList对象，里面放的全是Element对象。

接下来我们要做的就是从Element对象中，取出我们真正需要的内容。

通常有下面几种方法：

◇Element.text()

这个方法用来取得一个元素中的文本。

◇Element.html()或Node.outerHtml()

这个方法用来取得一个元素中的html内容

◇Node.attr(String key)

获得一个属性的值，例如取得超链接<a href="">中href的值

### 综合实例：采集开源中国项目信息 ###

package com.company;
    
    import org.jsoup.Jsoup;
    import org.jsoup.nodes.Document;
    import org.jsoup.nodes.Element;
    import org.jsoup.select.Elements;
    
    import java.io.IOException;
    import java.util.HashSet;
    import java.util.Set;
    
    public class Main {
    
        public static void main(String[] args) throws IOException {
            // write your code here
            Set<String> setUrls = new HashSet<>();
            for(int i = 1; i <= 5; i++)
            {
                String strUrl = "https://www.oschina.net/project/list?company=0&sort=score&lang=0&recommend=false&p="+i;
                setUrls.add(strUrl);
            }
    
            Set<String> setProjUrls = new HashSet<>();
            for(String stringUrl : setUrls)
            {
                Document document = Jsoup.connect(stringUrl)
                        .userAgent("Mozilla/5.0 (Windows NT 6.1; rv:30.0) Gecko/20100101 Firefox/30.0")
                        .get();
                //  System.out.println(document);
                Elements elements = document.select("div.box.item");
                for(Element element : elements)
                {
                    Elements eleUrl = element.select("div.box-aw a");
                    String strPrjUrl = eleUrl.attr("href");
                    setProjUrls.add(strPrjUrl);
                    //  System.out.println(strPrjUrl);
                    Elements eleTitle = eleUrl.select(".title");
                    String strTitle = eleTitle.text();
                    // System.out.println(strTitle);
                    Elements eleSummary = eleUrl.select(".summary");
                    String strSummary = eleSummary.text();
                    //  System.out.println(strSummary);
                }
            }
    
            for(String stringUrl : setProjUrls)
            {
                Document document = Jsoup.connect(stringUrl)
                        .userAgent("Mozilla/5.0 (Windows NT 6.1; rv:30.0) Gecko/20100101 Firefox/30.0")
                        .get();
                Elements elements = document.select("div.box-aw a h1");
    
                String strTitle = elements.text();
                System.out.println("标题：" + strTitle);
    
                Elements elementsSection = document.select("section.list");
    
                int nSize = elementsSection.get(0).children().size();
    
                if(nSize == 0)
                    continue;
    
                Element elementProtocol = elementsSection.get(0).child(0);
                Elements elesPro = elementProtocol.select("span");
                String strPro = elesPro.text();
                System.out.println("开源协议：" + strPro);
    
                nSize--;
                if(nSize == 0)
                    continue;
    
                Element elementLan = elementsSection.get(0).child(1);
                Elements elesLan = elementLan.select("span").get(0).children();
                StringBuilder strlan = new StringBuilder();
                for(Element ele : elesLan)
                {
                    String strLanTemp = ele.text();
                    if(strLanTemp.indexOf("查看源码")>=0)
                        break;
                    strlan.append(strLanTemp+",");
                }
                if(elesLan.size()>0)
                {
                    String strLanguage = strlan.toString().substring(0,strlan.length()-1);
                    System.out.println("开发语言：" + strLanguage);
                }
    
    
                nSize--;
                if(nSize == 0)
                    continue;
    
                Element elementOS = elementsSection.get(0).child(2);
                Elements elesOS = elementOS.select("span");
                String strOS = elesOS.text();
                System.out.println("操作系统：" + strOS);
    
                nSize--;
                if(nSize == 0)
                    continue;
    
                Element elementAuthor = elementsSection.get(0).child(3);
                Elements elesAuthor = elementAuthor.select("a.link");
                String strAuthor= elesAuthor.text();
                System.out.println("软件作者；" + strAuthor);
    
                System.out.println("---------------------");
            }
    
        }
    }

### 爬取腾讯首页全部图片 ###

package com.company;
    import org.jsoup.Connection;
    import org.jsoup.Jsoup;
    import org.jsoup.nodes.Document;
    import org.jsoup.nodes.Element;
    import org.jsoup.select.Elements;
    
    import java.io.*;
    import java.net.MalformedURLException;
    import java.net.URL;
    import java.net.URLConnection;
    import java.net.URLEncoder;
    
    public class meizi {
        /**
         * 下载图片到指定目录
         *
         * @param filePath 文件路径
         * @param imgUrl   图片URL
         */
        public static void downImages(String filePath, String imgUrl) {
            // 若指定文件夹没有，则先创建
            File dir = new File(filePath);
            if (!dir.exists()) {
                dir.mkdirs();
            }
            // 截取图片文件名
            String fileName = imgUrl.substring(imgUrl.lastIndexOf('/') + 1, imgUrl.length());
    
            try {
                // 文件名里面可能有中文或者空格，所以这里要进行处理。但空格又会被URLEncoder转义为加号
                String urlTail = URLEncoder.encode(fileName, "UTF-8");
                // 因此要将加号转化为UTF-8格式的%20
                imgUrl = imgUrl.substring(0, imgUrl.lastIndexOf('/') + 1) + urlTail.replaceAll("\\+", "\\%20");
    
            } catch (UnsupportedEncodingException e) {
                e.printStackTrace();
            }
            // 写出的路径
            File file = new File(filePath + File.separator + fileName);
    
            try {
                // 获取图片URL
                URL url = new URL(imgUrl);
                // 获得连接
                URLConnection connection = url.openConnection();
                // 设置10秒的相应时间
                connection.setConnectTimeout(10 * 1000);
                // 获得输入流
                InputStream in = connection.getInputStream();
                // 获得输出流
                BufferedOutputStream out = new BufferedOutputStream(new FileOutputStream(file));
                // 构建缓冲区
                byte[] buf = new byte[1024];
                int size;
                // 写入到文件
                while (-1 != (size = in.read(buf))) {
                    out.write(buf, 0, size);
                }
                out.close();
                in.close();
            } catch (MalformedURLException e) {
                e.printStackTrace();
            } catch (IOException e) {
                e.printStackTrace();
            }
    
        }
    
        public static void main(String[] args) {
            // 利用Jsoup获得连接
            Connection connect = Jsoup.connect("http://www.qq.com");
            try {
                // 得到Document对象
                Document document = connect.get();
                // 查找所有img标签
                Elements imgs = document.getElementsByTag("img");
                System.out.println("共检测到下列图片URL：");
                System.out.println("开始下载");
                // 遍历img标签并获得src的属性
                for (Element element : imgs) {
                    //获取每个img标签URL "abs:"表示绝对路径
                    String imgSrc = element.attr("abs:src");
                    // 打印URL
                    System.out.println(imgSrc);
                    //下载图片到本地
                    meizi.downImages("d:/img", imgSrc);
                }
                System.out.println("下载完成");
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
    }

### 解析json(悟空问答网案例) ###

package com.company;
    
    import com.alibaba.fastjson.JSON;
    import com.alibaba.fastjson.JSONArray;
    import com.alibaba.fastjson.JSONObject;
    import org.jsoup.Connection;
    import org.jsoup.Jsoup;
    
    import java.io.IOException;
    
    /**
     * Created by Administrator on 2018/8/8.
     */
    public class hello {
        public static void main(String[] args) throws IOException {
    
            Connection.Response res = Jsoup.connect("https://www.wukong.com/wenda/web/nativefeed/brow/?concern_id=6300775428692904450&t=1533714730319&_signature=DKZ7mhAQV9JbkTPBachKdgyme4")
                    .header("Accept", "*/*")
                    .header("Accept-Encoding", "gzip, deflate")
                    .header("Accept-Language","zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3")
                    .header("Content-Type", "application/json;charset=UTF-8")
                    .header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64; rv:48.0) Gecko/20100101 Firefox/48.0")
                    .timeout(10000).ignoreContentType(true).execute();//.get();
            String body = res.body();
            System.out.println(body);
            JSONObject jsonObject2 = JSON.parseObject(body);
            JSONArray jsonArray = jsonObject2.getJSONArray("data");
    
            //JSONArray jsonArray1 = JSONArray.parseArray(JSON_ARRAY_STR);//因为JSONArray继承了JSON，所以这样也是可以的
    
            //遍历方式1
            int size = jsonArray.size();
            for (int i = 0; i < size; i++){
                JSONObject jsonObject = jsonArray.getJSONObject(i);
                if(jsonObject.containsKey("question"))
                {
                    JSONObject jsonObject3 = jsonObject.getJSONObject("question");
                    String qid = jsonObject3.getString("qid");
                    System.out.println(qid);
                }
    
            }
        }
    }

### fastjson补充 ###

json字符串-数组类型与JSONArray之间的转换

/**
         * json字符串-数组类型与JSONArray之间的转换
         */
        public static void testJSONStrToJSONArray(){
    
            JSONArray jsonArray = JSON.parseArray(JSON_ARRAY_STR);
            //JSONArray jsonArray1 = JSONArray.parseArray(JSON_ARRAY_STR);//因为JSONArray继承了JSON，所以这样也是可以的
    
            //遍历方式1
            int size = jsonArray.size();
            for (int i = 0; i < size; i++){
                JSONObject jsonObject = jsonArray.getJSONObject(i);
                System.out.println(jsonObject.getString("studentName")+":"+jsonObject.getInteger("studentAge"));
            }
    
            //遍历方式2
            for (Object obj : jsonArray) {
                JSONObject jsonObject = (JSONObject) obj;
                System.out.println(jsonObject.getString("studentName")+":"+jsonObject.getInteger("studentAge"));
            }
        }

复杂json格式字符串与JSONObject之间的转换

/**
         * 复杂json格式字符串与JSONObject之间的转换
         */
        public static void testComplexJSONStrToJSONObject(){
    
            JSONObject jsonObject = JSON.parseObject(COMPLEX_JSON_STR);
            //JSONObject jsonObject1 = JSONObject.parseObject(COMPLEX_JSON_STR);//因为JSONObject继承了JSON，所以这样也是可以的
            
            String teacherName = jsonObject.getString("teacherName");
            Integer teacherAge = jsonObject.getInteger("teacherAge");
            JSONObject course = jsonObject.getJSONObject("course");
            JSONArray students = jsonObject.getJSONArray("students");
    
        }

### 另一个实例（采集悟空问答某个问题的评论信息） ###

package com.company;
    import org.jsoup.Connection;
    import org.jsoup.Jsoup;
    import org.jsoup.nodes.Document;
    import org.jsoup.nodes.Element;
    import org.jsoup.select.Elements;
    
    import java.io.*;
    
    public class meizi {
    
    
        public static void main(String[] args) {
            // 利用Jsoup获得连接
            Connection connect = Jsoup.connect("https://www.wukong.com/question/6586953004245582083/");
            try {
                // 得到Document对象
                Document document = connect.get();
    
                Elements elements = document.select(".question-name");
                System.out.println(elements.get(0).text());
    
                Elements elements2 = document.select(".answer-item");
                for(Element element : elements2)
                {
                    Elements elements3  = element.select(".answer-user-avatar img");
                    System.out.println(elements3.attr("abs:src"));
    
                    elements3  = element.select(".answer-user-name");
                    System.out.println(elements3.text());
    
                    elements3  = element.select(".answer-user-tag");
                    System.out.println(elements3.text());
    
                    elements3  = element.select(".answer-text");
                    System.out.println(elements3.text());
                }
    
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
    }

[icon-default.png_t_L892]: /images/20220828/cc612043e026472f883001da7e992d00.png
[icon-default.png_t_L892_https_jsoup.org]: https://jsoup.org/