Java学习进阶之路：如何用Jsoup实现爬虫技术？
1.Jsoup简述
Java中支持的爬虫框架有很多，比如WebMagic、Spider、Jsoup等。今天我们使用Jsoup来实现一个简单的爬虫程序。
Jsoup拥有十分方便的api来处理HTML文档，比如参考了DOM对象的文档遍历方法，参考了CSS选择器的用法等等，因此我们可以使用Jsoup快速地掌握爬取页面数据的技巧。
2.快速开始
1)编写HTML页面
页面中表格的商品信息是我们要爬取的数据。其中属性pname类的商品名称，以及属于pimg类的商品图片。
2)使用HttpClient读取HTML页面
HttpClient是一个处理Http协议数据的工具，使用它可以将HTML页面作为输入流读进java程序中。可以从http://hc.apache.org/下载HttpClient的jar包。
3)使用Jsoup解析HTML字符串
通过引入Jsoup工具，直接调用parse方法来解析一个描述HTML页面内容的字符串来获得一个Document对象。该Document对象以操作DOM树的方式来获得HTML页面上指定的内容。相关API可以参考Jsoup官方文档：https://jsoup.org/cookbook/
下面我们使用Jsoup来获取上述HTML中指定的商品名称和价格的信息。
至此，我们已经实现使用HttpClient+Jsoup爬取HTML页面数据的功能。接下来，我们让效果更直观一些，比如将爬取的数据存到数据库中，将图片存到服务器上。
3.保存爬取的页面数据
1)保存普通数据到数据库中
将爬取的数据封装进实体Bean中，并存到数据库内。
2)保存图片到服务器上
直接通过下载图片的方式将图片保存到服务器本地。
4.总结
本案简单实现了使用HttpClient+Jsoup爬取网络数据，对于爬虫技术本身，还有很多值得深挖的地方，以后再为大家讲解。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/623/viewspace-3141621/ ，如需转载，请注明出处，否则将追究法律责任。
