ITPub博客

首页 > 应用开发 > Java > 用 Java 拿下 HTML 分分钟写个小爬虫

用 Java 拿下 HTML 分分钟写个小爬虫

Java 作者:qwer1030274531 时间:2020-09-21 19:42:07 0 删除 编辑

本文作者:HelloGitHub- 秦人

HelloGitHub 推出的《讲解开源项目》系列,今天给大家带来一款开源 Java 版一款网页元素解析框架——jsoup,通过程序自动获取网页数据。

项目源码地址:https://github.com/jhy/jsoup

一、项目介绍

jsoup 是一款 Java 的 HTML 解析器。可直接解析某个 URL 地址的 HTML 文本内容。它提供了一套很省力的 API,可通过 DOM、CSS 以及类似于 jQuery 选择器的操作方法来取出和操作数据。

jsoup 主要功能:

  1. 从一个 URL、文件或字符串中解析 HTML。

  2. 使用 DOM 或 CSS 选择器来查找、取出数据。

  3. 可操作 HTML 元素、属性、文本。

二、使用框架

2.1 准备工作

  • 掌握 HTML 语法

  • Chrome 浏览器调试技巧

  • 掌握开发工具 idea 的基本操作

2.2 学习源码

将项目导入 idea 开发工具,会自动下载 maven 项目需要的依赖。源码的项目结构如下:

快速学习源码是每个程序员必备的技能,我总结了以下几点:

  1. 阅读项目  ReadMe 文件,可以快速知道项目是做什么的。

  2. 概览项目  pom.xml 文件,了解项目引用了哪些依赖。

  3. 查看项目结构、源码目录、测试用例目录,好的项目结构清晰,层次明确。

  4. 运行测试用例,快速体验项目。 http://zzdxb.baikezh.com/

2.3 下载项目

git clone https://github.com/jhy/jsoup

2.4 运行项目测试代码

通过上面的方法,我们很快可知  example 目录是测试代码,那我们直接来运行。注:有些测试代码需要稍微改造一下才可以运行。

例如,jsoup 的 Wikipedia 测试代码:

public class Wikipedia {    public static void main(String[] args) throws IOException {        Document doc = Jsoup.connect("http://en.wikipedia.org/").get();        log(doc.title());        Elements newsHeadlines = doc.select("#mp-itn b a");        for (Element headline : newsHeadlines) {            log("%s\n\t%s", headline.attr("title"), headline.absUrl("href"));        }    }    private static void log(String msg, String... vals) {        System.out.println(String.format(msg, vals));    }}

说明:上面代码是获取页面(http://en.wikipedia.org/)包含(#mp-itn b a)选择器的所有元素,并打印这些元素的  title ,  herf 属性。 维基百科 国内无法访问,所以上面这段代码运行会报错。

改造后可运行的代码如下:

public static void main(String[] args) throws IOException {    Document doc = Jsoup.connect("https://www.baidu.com/").get();    Elements newsHeadlines = doc.select("a[href]");    for (Element headline : newsHeadlines) {        System.out.println("href: " +headline.absUrl("href") );    }}

三、工作原理

Jsoup 的工作原理,首先需要指定一个 URL,框架发送 HTTP 请求,然后获取响应页面内容,然后通过各种选择器获取页面数据。整个工作流程如下图:

以上面为例:

3.1 发请求

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

这行代码就是发送 HTTP 请求,并获取页面响应数据。

3.2 数据筛选

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

定义选择器,获取匹配选择器的数据。

3.3 数据处理

for (Element headline : newsHeadlines) {        System.out.println("href: " +headline.absUrl("href") );    }

这里对数据只做了一个简单的数据打印,当然这些数据可写入文件或数据的。

四、实战

获取 豆瓣读书 ->  新书速递中每本新书的基本信息。包括:书名、书图片链接、作者、内容简介(详情页面)、作者简介(详情页面)、当当网书的价格(详情页面),最后将获取的数据保存到 Excel 文件。

目标链接: https://book.douban.com/latest?icn=index-latestbook-all

4.1 项目 pom.xml 文件

项目引入 jsoup、lombok、easyexcel 三个库。

<?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>org.example</groupId>    <artifactId>JsoupTest</artifactId>    <version>1.0-SNAPSHOT</version>    <properties>        <maven.compiler.target>1.8</maven.compiler.target>        <maven.compiler.source>1.8</maven.compiler.source>    </properties>    <dependencies>        <dependency>            <groupId>org.jsoup</groupId>            <artifactId>jsoup</artifactId>            <version>1.13.1</version>        </dependency>        <dependency>            <groupId>org.projectlombok</groupId>            <artifactId>lombok</artifactId>            <version>1.18.12</version>        </dependency>        <dependency>            <groupId>com.alibaba</groupId>            <artifactId>easyexcel</artifactId>            <version>2.2.6</version>        </dependency>    </dependencies></project>

4.2 解析页面数据

public class BookInfoUtils {    public static List<BookEntity> getBookInfoList(String url) throws IOException {        List<BookEntity>  bookEntities=new ArrayList<>();        Document doc = Jsoup.connect(url).get();        Elements liDiv = doc.select("#content > div > div.article > ul > li");        for (Element li : liDiv) {            Elements urls = li.select("a[href]");            Elements imgUrl = li.select("a > img");            Elements bookName = li.select(" div > h2 > a");            Elements starsCount = li.select(" div > p.rating > span.font-small.color-lightgray");            Elements author = li.select("div > p.color-gray");            Elements description = li.select(" div > p.detail");            String bookDetailUrl = urls.get(0).attr("href");            BookDetailInfo detailInfo = getDetailInfo(bookDetailUrl);            BookEntity bookEntity = BookEntity.builder()                    .detailPageUrl(bookDetailUrl)                    .bookImgUrl(imgUrl.attr("src"))                    .bookName(bookName.html())                    .starsCount(starsCount.html())                    .author(author.text())                    .bookDetailInfo(detailInfo)                    .description(description.html())                    .build();//            System.out.println(bookEntity);            bookEntities.add(bookEntity);        }        return bookEntities;    }    /**     *     * @param detailUrl     * @return     * @throws IOException     */    public static BookDetailInfo getDetailInfo(String detailUrl)throws IOException{        Document doc = Jsoup.connect(detailUrl).get();        Elements content = doc.select("body");        Elements price = content.select("#buyinfo-printed > ul.bs.current-version-list > li:nth-child(2) > div.cell.price-btn-wrapper > div.cell.impression_track_mod_buyinfo > div.cell.price-wrapper > a > span");        Elements author = content.select("#info > span:nth-child(1) > a");        BookDetailInfo bookDetailInfo = BookDetailInfo.builder()                .author(author.html())                .authorUrl(author.attr("href"))                .price(price.html())                .build();        return bookDetailInfo;    }}

这里的重点是要获取网页对应元素的 选择器

例如:获取  li.select("div > p.color-gray") 中  div > p.color-gray 是怎么知道的。

使用  chrome 的小伙伴应该都猜到了。打开  chrome 浏览器  Debug 模式, Ctrl + Shift +C 选择一个元素,然后在  html右键选择  Copy -> Copy selector,这样就可以获取当前元素的 选择器。如下图:

4.3 存储数据到 Excel

为了数据更好查看,我将通过 jsoup 抓取的数据存储的 Excel 文件,这里我使用的 easyexcel 快速生成 Excel 文件。

Excel 表头信息

@Data@Builderpublic class ColumnData {    @ExcelProperty("书名称")    private String bookName;    @ExcelProperty("评分")    private String starsCount;    @ExcelProperty("作者")    private String author;    @ExcelProperty("封面图片")    private String bookImgUrl;    @ExcelProperty("简介")    private String description;    @ExcelProperty("单价")    private String price;}

生成 Excel 文件

public class EasyExcelUtils {    public static void simpleWrite(List<BookEntity> bookEntityList) {        String fileName = "D:\\devEnv\\JsoupTest\\bookList" + System.currentTimeMillis() + ".xlsx";        EasyExcel.write(fileName, ColumnData.class).sheet("书本详情").doWrite(data(bookEntityList));        System.out.println("excel文件生成完毕...");    }    private static List<ColumnData> data(List<BookEntity> bookEntityList) {        List<ColumnData> list = new ArrayList<>();        bookEntityList.forEach(b -> {            ColumnData data = ColumnData.builder()                    .bookName(b.getBookName())                    .starsCount(b.getStarsCount())                    .author(b.getBookDetailInfo().getAuthor())                    .bookImgUrl(b.getBookImgUrl())                    .description(b.getDescription())                    .price(b.getBookDetailInfo().getPrice())                    .build();            list.add(data);        });        return list;    }}

4.4 最终展示效果

最终的效果如下图:

以上就是从想法到实践,我们就在实战中使用了 jsoup 的基本操作。

完整代码地址:https://github.com/hellowHuaairen/JsoupTest

五、最后

Java HTML Parser 库:jsoup,把它当成简单的爬虫用起来还是很方便的吧?

为什么会讲爬虫?大数据,人工智能时代玩的就是数据,数据很重要。作为懂点技术的我们,也需要掌握一种获取网络数据的技能。当然也有一些工具 Fiddler、webscraper 等也可以抓取你想要的数据。

教程至此,你应该也能对 jsoup 有一些感觉了吧。编程是不是也特别有意思呢?参考我上面的实战案例,有好多网站可以实践一下啦~欢迎在评论区晒你的实战。


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/30239065/viewspace-2723014/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2015-05-08

  • 博文量
    113
  • 访问量
    45985