网络爬虫之java jsoup解析信息

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文件内容。它提供了一套非常省力的API，可通过DOM、CSS以及类似Jquery的操作方法取出和操作数据。

jsoup的主要功能如下：

从一个URL，文件或者字符串中解析HTML。使用DOM或者CSS选择器来直接查找、取出数据。可操作HTML元素、属性、文本。

2、jsoup和HttpClient的姻缘

虽然使用jsoup可以替代HttpClient直接发起请求解析数据，但是往往不这样用，因为实际开发过程中，需要使用多线程、连接池、代理等等方式，而jsoup对这些的支持不是很好，所以我们一般只把jsoup仅仅作为HTML解析工具使用，可以用HttpClient获取HTML，然后交给jsoup解析。

3、创建一个类并配置pom.xml

如何创建项目请看：https://blog.csdn.net/weixin_44588495/article/details/90580722 pom.xml配置

<?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>com.crawler</groupId> <artifactId>Crawler-first-one</artifactId> <version>1.0-SNAPSHOT</version> <dependencies> <!-- https://mvnrepository.com/artifact/org.apache.httpcomponents/httpclient --> <dependency> <groupId>org.apache.httpcomponents</groupId> <artifactId>httpclient</artifactId> <version>4.5.2</version> </dependency> <!-- https://mvnrepository.com/artifact/org.slf4j/slf4j-log4j12 --> <dependency> <groupId>org.slf4j</groupId> <artifactId>slf4j-log4j12</artifactId> <version>1.7.25</version> <!-- <scope>test</scope>--> </dependency> <!-- https://mvnrepository.com/artifact/org.jsoup/jsoup --> <dependency> <groupId>org.jsoup</groupId> <artifactId>jsoup</artifactId> <version>1.10.2</version> </dependency> <!-- https://mvnrepository.com/artifact/junit/junit --> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>4.12</version> <scope>test</scope> </dependency> <!-- https://mvnrepository.com/artifact/commons-io/commons-io --> <dependency> <groupId>commons-io</groupId> <artifactId>commons-io</artifactId> <version>2.4</version> </dependency> <!-- https://mvnrepository.com/artifact/org.apache.commons/commons-lang3 --> <dependency> <groupId>org.apache.commons</groupId> <artifactId>commons-lang3</artifactId> <version>3.4</version> </dependency> </dependencies> </project>

利用junit来测试

4、解析URL

@Test //解析Url public void testUrl()throws Exception{ //解析url地址，第一个参数是访问的url，第二个参数是访问时候的超时时间 Document doc = Jsoup.parse(new URL("http://itcast.cn"),1000); //使用标签选择器，获取title标签中的内容 String title = doc.getElementsByTag("title").first().text(); System.out.println(title); }

运行结果：

5、解析字符串

@Test //解析字符串 public void testString()throws Exception{ //假设用httpClient读取到了html页面 String content = "<title>哈哈哈</title>"; Document doc = Jsoup.parse(content); String title = doc.getElementsByTag("title").first().text(); System.out.println(title); }

运行结果：

6、解析文件

@Test //解析文件 public void testFile()throws Exception{ Document doc = Jsoup.parse(new File("C:\\Users\\Administrator\\Desktop\\index.html"),"utf-8"); String title = doc.getElementsByTag("title").first().text(); System.out.println(title); }

运行结果：

7、完整代码

import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.junit.Test; import java.io.File; import java.net.URL; public class JsoupFirstTest { @Test //解析Url public void testUrl()throws Exception{ //解析url地址，第一个参数是访问的url，第二个参数是访问时候的超时时间 Document doc = Jsoup.parse(new URL("http://itcast.cn"),1000); //使用标签选择器，获取title标签中的内容 String title = doc.getElementsByTag("title").first().text(); System.out.println(title); } @Test //解析字符串 public void testString()throws Exception{ //假设用httpClient读取到了html页面 String content = "<title>document</title>"; Document doc = Jsoup.parse(content); String title = doc.getElementsByTag("title").first().text(); System.out.println(title); } @Test //解析文件 public void testFile()throws Exception{ Document doc = Jsoup.parse(new File("C:\\Users\\Administrator\\Desktop\\index.html"),"utf-8"); String title = doc.getElementsByTag("title").first().text(); System.out.println(title); } }