我们抓取到页面之后,还需要对页面进行解析。可以使用字符串处理工具解析页面,也可以使用正则表达式,但是这些方法都会带来很大的开发成本,所以我们需要使用一款专门解析html页面的技术—Jsoup。
3.1 Jsoup介绍
jsoup是一款Java 的HTML解析器,可直接解析某个URL地址、HTML文木内容。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的主要功能如下:
- 从一个URL,文件或字符串中解析HTML;
- 使用DOM或CSS选择器来查找、取出数据;
- 可操作HTML元素、属性、文本。
添加jsoup相关依赖
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>cn.itbuild</groupId>
<artifactId>itbuild-crawler-first</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<!--引入jar包-->
<dependency>
<groupId>org.apache.httpcomponents</groupId>
<artifactId>httpclient</artifactId>
<version>4.5.2</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>1.7.25</version>
</dependency>
<!--Jsoup-->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.11.3</version>
</dependency>
<!--测试-->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>
<!--操作文件FileUtils-->
<dependency>
<groupId>commons-io</groupId>
<artifactId>commons-io</artifactId>
<version>2.4</version>
</dependency>
<!--操作字符串StringUtils-->
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-lang3</artifactId>
<version>3.4</version>
</dependency>
</dependencies>
</project>
3.2 解析Url
虽然使用Jsoup可以替代HttpClient直接发起请求解析数据,但是往往不会这样用,因为实际的开发过程中,需要使用到多线程,连接池,代理等等方式,而 jsoup 对这些的支持并不是很好,所以我们一般把jsoup 仅仅作为 Html解析工具使用。
package cn.itbuild.test;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.junit.Test;
import java.net.URL;
/**
* @Date 2020/12/21 22:53
* @Version 10.21
* @Author DuanChaojie
*/
public class JsoupTest {
@Test
public void testUrl() throws Exception {
// 1. 解析url地址, 第一个参数是访问的url, 第二个参数时访问时候的超时时间
Document doc = Jsoup.parse(new URL("http://www.itcast.cn"), 1000);
// 2. 使用标签选择器, 获取title标签中的内容
String title = doc.getElementsByTag("title").first().text();
// 3.打印
System.out.println(title);
}
}
将test.html的路径在JsoupTest中先定义好:
private static final String TESTHTML = "E:\\file\\gitee\\itbuild-crawler-first\\src\\main\\java\\cn\\itbuild\\crawler\\test\\test.html";
test.html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>传智教育官网-好口碑IT培训机构,一样的教育,不一样的品质</title>
<style>
.class_a{
}
.class_b{
}
.a_name{
}
</style>
</head>
<body>
<div class="city">
<h3 id="city_bj">北京中心</h3>
<div class="city_in">
<div class="city_con" style="display:none;">
<ul>
<li id="test" class="class_a class_b">
<a href="http://www.itcast.cn" target="_blank" >
<span class="a_name">北京</span>
</a>
</li>
<li>
<a href="http://sh.itcast.cn" target="_blank">
<span class="a_name">上海</span>
</a>
</li>
<li>
<a href="http://gz.itcast.cn" target="_blank">
<span abc="123" class="a_name">广东</span>
</a>
</li>
</ul>
<ul>
<li>天津</li>
</ul>
</div>
</div>
</div>
</body>
</html>
3.3 解析字符串
@Test
public void testString() throws Exception {
// 1. 使用工具类读取文件, 获取字符串
String content = FileUtils.readFileToString(new File(TESTHTML), "utf8");
// 2. 解析字符串
Document doc = Jsoup.parse(content);
String title = doc.getElementsByTag("title").first().text();
// 3.打印
System.out.println(title);
}
3.4 解析文件
@Test
public void testFile() throws Exception {
// 1. 解析文件
Document doc = Jsoup.parse(new File(TESTHTML), "utf8");
String title = doc.getElementsByTag("title").first().text();
System.out.println(title);
}
3.5 使用DOM方式遍历文档
元素获取:
- 根据id查询元素 getElementByld
- 根据标签获取元素getElementsByTag
- 根据class获取元素getElementsByClass
- 根据属性获取元素getElementsByAttribute
@Test
public void testDom() throws Exception {
// 解析文件, 获取Document对象
Document doc = Jsoup.parse(new File(TESTHTML), "utf8");
// 1.根据id查询元素getElementById
Element element = doc.getElementById("city_bj");
// 2.根据标签获取元素getElementsByTag
Elements spans = doc.getElementsByTag("span");
// 3.根据class获取元素getElementsByClass
Element clazz = doc.getElementsByClass("class_a class_b").first();
// 4.根据属性获取元素getElementsByAttribute
Element abc = doc.getElementsByAttribute("abc").first();
// 5.根据属性与属性值筛选
Element href = doc.getElementsByAttributeValue("href", "http://sh.itcast.cn").first();
// 打印元素内容
System.out.println("获取到的元素内容是: " + element.text());
for (Element span : spans) {
System.out.println(span.text());
}
System.out.println(clazz.text());
System.out.println("abc.text() = " + abc.text());
System.out.println("href.text() = " + href.text());
}
元素中获取数据:
- 从元素中获取id
- 从元素中获取className
- 从元素中获取属性的值 attr
- 从元素中获取所有属性attributes
从元紊中获取文本内容 text
@Test
public void testDate() throws IOException {
// 1.解析文件获取Document
Document doc = Jsoup.parse(new File(TESTHTML), "utf8");
// 2.根据id获取元素
Element element = doc.getElementById("test");
String str = "";
//元素中获取数据:
// 1. 从元素中获取id
str = element.id();
// 2. 从元素中获取className
str = element.className();
Set<String> sets = element.classNames();
for (String set : sets) {
System.out.println("set = " + set);
}
// 3. 从元素中获取属性的值 attr
str = element.attr("id");
str = element.attr("class");
// 4. 从元素中获取所有属性attributes
Attributes attributes = element.attributes();
System.out.println("attributes = " + attributes.toString());
// 5. 从元紊中获取文本内容 text
str = element.text();
// 打印获取到的内容
System.out.println("获取到的数据:" + str);
}
3.6 Selector选择器概述tagname:通过标签查找元素,比如: span
#id:通过ID查找元素,比如:#city_bj .class:通过 class名称查找元素,比如:.class_a
[attribute]:利用属性查找元素,比如:[abc]
[attr=value]:利用属性值来查找元素,比如:[class=s_name] ```java @Test public void testSelector() throws Exception{// 解析html文件,获取Document对象 Document doc = Jsoup.parse(new File(TESTHTML), "utf8");
Elements spans = doc.select("span");
for (Element span : spans) {
System.out.println(span.text());
}
Element element = doc.select("#city_bj").first();
element = doc.select(".class_a").first();
element = doc.select("[abc]").first();
element = doc.select("[class=a_name]").first();
System.out.println("获取到的结果为:" + element.text());
}
<a name="gLqmD"></a>
#### <br />3.7 Selector选择器组合使用
```java
@Test
public void testSelector2() throws Exception {
// 解析html文件, 获取Document对象
Document doc = Jsoup.parse(new File(TESTHTML), "utf8");
//el#id: 元素+ID,比如: h3#city_bj
//Element element = doc.select("h3#city_bj").first();
//el.class: 元素+class,比如: li.class_a
//Element element = doc.select("li.class_a").first();
//el[attr]: 元素+属性名,比如: span[abc]
//Element element = doc.select("span[abc]").first();
//任意组合: 比如:span[abc].s_name
Element element = doc.select("span[abc].a_name").first();
// 后代选择器
//Elements elements = doc.select(".city_con li");
// 父子选择器
//Elements elements = doc.select(".city_con > ul > li");
//parent > *: 查找某个父元素下所有直接子元素
Elements elements = doc.select(".city_con > ul > *");
// 打印
System.out.println("获取到的内容是: " + element.text());
for (Element ele : elements) {
System.out.println("遍历的结果: " + ele.text());
}
}