快捷導(dǎo)航

詳解Java爬蟲利器Jsoup

更新時間：2023年06月16日 08:39:45 作者：蜀山劍客李沐白

Jsoup是一款Java語言開發(fā)的HTML解析器，用于解析HTML文檔以及對HTML文檔進(jìn)行操作，處理等，本文就將詳細(xì)給大家介紹一下Java中的爬蟲利器Jsoup，感興趣的同學(xué)可以參考一下

Jsoup的概述

Jsoup是一款Java語言開發(fā)的HTML解析器，用于解析HTML文檔以及對HTML文檔進(jìn)行操作，處理等。它提供了類似于jQuery的DOM操作方法，以及用于HTML元素遍歷、迭代、查詢以及修改等操作的API，同時還支持CSS選擇器和正則表達(dá)式的解析。

Jsoup的特點

可以從URL中直接獲取網(wǎng)頁的內(nèi)容并進(jìn)行解析。
支持CSS選擇器和正則表達(dá)式。
采用DOM結(jié)構(gòu)，直觀簡單。
支持流暢的鏈?zhǔn)讲僮黠L(fēng)格。
支持屬性查找和修改。
支持XML解析。

Jsoup的優(yōu)點

簡單、方便、易學(xué)易用。
Jsoup的相對性能比較高，特別是在處理大型HTML文件時。
支持CSS選擇器及正則表達(dá)式等復(fù)雜操作。
Jsoup對HTML進(jìn)行清理，可以特別有效地防止XSS腳本攻擊。
能夠與Java內(nèi)部的文檔模型(DOM)結(jié)合，符合Java的運(yùn)行環(huán)境。

Jsoup的核心類

以下是Jsoup中最重要的幾個核心類：

Document：代表整個HTML或XML文檔?？梢酝ㄟ^該類來獲取所需的元素、屬性等。
Element：代表HTML中的一個元素。例如, ,
等。
Elements：代表多個元素組成的集合，即一個數(shù)組。
Node：代表一個節(jié)點，可以是文本、注釋或者其他類型的節(jié)點。
TextNode：代表文本節(jié)點，主要用于獲取標(biāo)簽之間的文本內(nèi)容。
Attribute：代表HTML元素中的屬性。

Jsoup的用法

這里我將從以下方面介紹Jsoup的用法：

1.導(dǎo)入Jsoup到項目中

在使用Jsoup前，需要將它添加到項目的依賴中。如果使用Maven，只需要在pom.xml文件中添加下面的代碼即可：

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.14.3</version>
</dependency>

2.解析HTML文檔

解析HTML的第一步是將HTML文檔加載到Jsoup的Document對象中，以便進(jìn)行后續(xù)操作。可以通過以下方式實現(xiàn)：

String html = "<html><head><title>Jsoup Example</title></head>"
        + "<body><p>Hello world!</p></body></html>";
Document doc = Jsoup.parse(html);

其中，Jsoup.parse(html)可以將字符串轉(zhuǎn)換為Document對象，而html則是需要解析的HTML。

3.從URL加載HTML

除了直接解析HTML字符串，Jsoup還支持從URL地址獲取HTML內(nèi)容并進(jìn)行解析?？梢允褂靡韵麓a：

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

其中，Jsoup.connect(url).get()可以從指定的url地址獲取HTML內(nèi)容并解析成Document對象。

4.使用選擇器查找元素

Jsoup支持類似于jQuery的CSS選擇器語法，可以用非常簡單的方式查找HTML元素。例如，查找所有的p標(biāo)簽，可以使用如下代碼：

Elements paragraphs = doc.select("p");

select()方法會返回匹配選擇器的元素的集合。

更進(jìn)一步來說，選擇器可以根據(jù)標(biāo)簽名、屬性、樣式等多種條件篩選元素。例如，以下代碼會查找所有帶有href屬性的鏈接：

Elements links = doc.select("a[href]");

如果要查找指定class的元素，可以使用類似于CSS的“.classname”語法：

Elements elementsByClass = doc.select(".classname");

同樣地，也支持按屬性值進(jìn)行查找：

Elements links = doc.select("a[href=\"#\"]");

這些選擇器可以非常靈活地精準(zhǔn)定位到需要的HTML元素。

5.獲取元素的屬性和內(nèi)容

在定位到所需的HTML元素后，可以使用Jsoup提供的方法獲取元素的屬性和內(nèi)容。例如，以下代碼可以獲取a標(biāo)簽的href屬性和顯示的文本內(nèi)容：

Element link = doc.select("a").first();
String href = link.attr("href");
String text = link.text();

attr()方法可以獲取指定屬性的值，而text()方法可以獲取標(biāo)簽之間的文本內(nèi)容。

6.修改HTML文檔

Jsoup不僅可以解析HTML文檔，還可以修改文檔中的元素、屬性等內(nèi)容?？梢允褂靡韵麓a：

Element link = doc.select("a").first();
link.attr("href", "http://www.newsite.com/");
link.text("New Site");

這些方法可以非常方便地修改HTML文檔中的元素和屬性。

7.處理HTML中的正文

有時候我們只需要解析HTML中的正文部分而不是全文，這種情況下可以使用Jsoup提供的方法實現(xiàn)。例如，以下代碼可以提取HTML中的所有正文段落：

Document doc = Jsoup.parse(html);
Elements paragraphs = doc.select("p");
String text = paragraphs.text();

上面代碼中，Jsoup首先解析HTML文檔并查找所有的p標(biāo)簽，然后使用text()方法提取正文內(nèi)容。

Jsoup的高級用法

了解了基本用法后，我們可以進(jìn)一步了解Jsoup的高級用法，例如：

1.從HTML中提取圖片

可以使用以下代碼提取出HTML文檔中的所有圖片：

Document doc = Jsoup.connect(url).get();
Elements images = doc.select("img[src~=(?i)\\.(png|jpe?g|gif)]");

這里的正則表達(dá)式可以過濾掉非圖片類型的元素。

2.從HTML中提取所有鏈接

可以使用以下代碼提取出HTML中的所有鏈接：

Document doc = Jsoup.connect(url).get();
Elements links = doc.select("a[href]");

然后遍歷links集合，即可獲取每個鏈接的href屬性和文本內(nèi)容。

3.自定義User-Agent和超時時間

可以通過以下方式指定Jsoup連接的User-Agent和超時時間：

String url = "http://www.example.com/";
Connection conn = Jsoup.connect(url);
conn.userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64; rv:29.0) Gecko/20100101 Firefox/29.0");
conn.timeout(5000);
Document doc = conn.get();

其中userAgent()方法可以設(shè)置User-Agent，timeout()方法可以設(shè)置超時時間，單位是毫秒。

4.處理HTML中的中文編碼問題

當(dāng)解析包含中文字符的HTML文檔時，可能會出現(xiàn)亂碼等問題?？梢酝ㄟ^以下方式解決：

Document doc = Jsoup.parse(html, "UTF-8");
String title = doc.title();
String text = doc.text();

這里的"UTF-8"指定了HTML文檔的字符集，以解決編碼問題。

5.處理HTML中的表格

可以使用以下代碼提取表格中的數(shù)據(jù)：

Document doc = Jsoup.connect(url).get();
Elements tableRows = doc.select("table tr");
for (Element row : tableRows) {
    Elements cells = row.select("td");
    for (Element cell : cells) {
        String cellText = cell.text();
    }
}

這里先通過選擇器查找所有的tr標(biāo)簽，然后對每個tr標(biāo)簽內(nèi)的td標(biāo)簽進(jìn)行遍歷，獲取單元格的內(nèi)容。

6.處理HTML中的特殊字符

Document doc = Jsoup.parse(html);
doc.outputSettings().escapeMode(EscapeMode.base);
String text = doc.text();

這里的escapeMode()方法可以指定轉(zhuǎn)義字符的模式，base模式表示只轉(zhuǎn)義基本的字符，其他的字符不做轉(zhuǎn)義。

7.使用代理連接網(wǎng)站

有些網(wǎng)站可能會禁止爬蟲訪問，可以使用代理服務(wù)器連接到網(wǎng)站?？梢允褂靡韵麓a設(shè)置代理：

String url = "http://www.example.com/";
Proxy proxy = new Proxy(Proxy.Type.HTTP, new InetSocketAddress("proxyhost", 8080));
Connection conn = Jsoup.connect(url).proxy(proxy);
Document doc = conn.get();

其中proxy()方法可以設(shè)置代理服務(wù)器的地址和端口號。

8.處理HTML中的連接

可以使用以下代碼將相對路徑轉(zhuǎn)換為絕對路徑：

String url = "http://www.example.com/";
Document doc = Jsoup.connect(url).get();
Elements links = doc.select("a[href]");
for (Element link : links) {
    String absLink = link.attr("abs:href");
}

這里的abs()方法可以將相對路徑轉(zhuǎn)換為絕對路徑，從而能夠正確地訪問鏈接。

9.使用Jsoup處理XML

除了HTML，Jsoup還能夠處理XML文檔?？梢允褂靡韵麓a解析XML文檔：

String xml = "<root><item>1</item><item>2</item><item>3</item></root>";
Document doc = Jsoup.parse(xml, "", Parser.xmlParser());
Elements items = doc.select("item");

這里的xmlParser()方法將Jsoup的解析器設(shè)置為XML模式，然后就可以使用CSS選擇器查找XML元素了。

10.處理HTML中的圖片

有時候我們需要將HTML中的圖片下載到本地使用?？梢允褂靡韵麓a實現(xiàn)：

String imageUrl = "http://www.example.com/image.jpg";
Connection.Response resultImageResponse = Jsoup.connect(imageUrl).ignoreContentType(true).maxBodySize(0).execute();
byte[] imageBytes = resultImageResponse.bodyAsBytes();

這里的ignoreContentType()方法可以忽略ContentType的檢查，maxBodySize()方法可以設(shè)置請求的最大字節(jié)數(shù)。然后可以將結(jié)果寫入文件或者流中，以保存圖片內(nèi)容。

以上就是詳解Java爬蟲利器Jsoup的用法的詳細(xì)內(nèi)容，更多關(guān)于Java爬蟲利器Jsoup的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: