SpringBoot使用jsoup爬取HTML的方法

更新時(shí)間：2024年02月29日 15:04:36 作者：IT利刃出鞘

jsoup 是一款 Java 的 HTML 解析器,它提供了一套非常便利的 API,可通過(guò) DOM、CSS 通過(guò)類似于 JQuery 的操作方法來(lái)取出和操作數(shù)據(jù),這篇文章主要介紹了SpringBoot使用jsoup爬取HTML,需要的朋友可以參考下

簡(jiǎn)介

本文介紹SpringBoot--使用jsoup(Java爬蟲工具)的方法。

jsoup 是一款 Java 的 HTML 解析器，它提供了一套非常便利的 API，可通過(guò) DOM、CSS 通過(guò)類似于 JQuery 的操作方法來(lái)取出和操作數(shù)據(jù)。

jsoup的主要功能

從一個(gè)URL、文件或字符串中解析HTML；
用DOM和css或類似jquery的selector語(yǔ)法獲取Element，然后從從中獲取節(jié)點(diǎn)屬性、文本、html
對(duì)Element的進(jìn)行操作，包括HTML的值、節(jié)點(diǎn)內(nèi)容的值和設(shè)置節(jié)點(diǎn)屬性的值；

引入依賴

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.15.4</version>
</dependency>

解析Document

Jsoup支持四種方式解析Document，即可以輸入四種內(nèi)容得到一個(gè)Document：

字符串
body片段
URL
文件

字符串解析示例

字符串中必須包含head和body元素。

String html = "<html><head><title>First parse</title></head>"
  + "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);

body片段解析

String html = "<div><p>Lorem ipsum.</p>";
Document doc = Jsoup.parseBodyFragment(html);
// doc 此時(shí)為：<body> <p>Lorem ipsum.</p></body>
Element body = doc.body();
System.out.println(body);

從URL解析

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

還可以攜帶cookie等參數(shù)：

Document doc = Jsoup.connect("http://example.com")
  .data("query", "Java")
  .userAgent("Mozilla")
  .cookie("auth", "token")
  // 自定義key和value
  .header("Content-Type", "application/json")
  .timeout(3000)
  .post();

從文件解析

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8");

選擇元素

獲取數(shù)據(jù)一共有 2 種方式，分別為 DOM方式、CSS選擇器方式。

DOM方式

將HTML解析成一個(gè)Document之后，就可以使用類似于DOM的方法進(jìn)行操作。

Document doc = Jsoup.connect("http://csdn.com").get();
// 獲取帶有 href 屬性的 a 元素
Elements elements = doc.select("a[href]");
for (Element content : elements) {
    String linkHref = content.attr("href");
    String linkText = content.text();
    System.out.print(linkText + "\t");
    System.out.println(linkHref);
}

說(shuō)明

Elements這個(gè)對(duì)象提供了一系列類似于DOM的方法來(lái)查找元素，抽取并處理其中的數(shù)據(jù)。具體如下：

查找元素

getElementById(String id)：通過(guò)id來(lái)查找元素
getElementsByTag(String tag)：通過(guò)標(biāo)簽來(lái)查找元素
getElementsByClass(String className)：通過(guò)類選擇器來(lái)查找元素
getElementsByAttribute(String key) ：通過(guò)屬性名稱來(lái)查找元素，例如查找?guī)в衕ref元素的標(biāo)簽。
siblingElements()：獲取兄弟元素。如果元素沒(méi)有兄弟元素，則返回一個(gè)空列表。
firstElementSibling()：獲取第一個(gè)兄弟元素。
lastElementSibling()：獲取最后一個(gè)兄弟元素。
nextElementSibling()：獲取下一個(gè)兄弟元素。
previousElementSibling()：獲取上一個(gè)兄弟元素。
parent()：獲取此節(jié)點(diǎn)的父節(jié)點(diǎn)。
children()：獲取此節(jié)點(diǎn)的所有子節(jié)點(diǎn)。
child(int index)：獲取此節(jié)點(diǎn)的指定子節(jié)點(diǎn)。

CSS選擇器方式

可以使用類似于CSS選擇器的語(yǔ)法來(lái)查找和操作元素，常用的方法為select(String selector)。

Document doc = Jsoup.connect("http://csdn.com").get();
// 獲取帶有 href 屬性的 a 元素
Elements elements = doc.select("a[href]");
for (Element content : elements) {
    String linkHref = content.attr("href");
    String linkText = content.text();
    System.out.print(linkText + "\t");
    System.out.println(linkHref);
}

說(shuō)明

select()方法在Document、Element或Elements對(duì)象中都可以使用，而且是上下文相關(guān)的，因此可實(shí)現(xiàn)指定元素的過(guò)濾，或者采用鏈?zhǔn)皆L問(wèn)。
select() 方法將返回一個(gè)Elements集合，并提供一組方法來(lái)抽取和處理結(jié)果。

鏈?zhǔn)皆L問(wèn)示例

Document document = Jsoup.connect(URL).get();
// URL是要爬取頁(yè)面的鏈接
Elements elements = document
            .select("div.vsb-box")
            .select("h2[class=cleafix]")
            .select("a[href]");

獲取數(shù)據(jù)

獲得元素后，就可以獲取元素中的數(shù)據(jù)。

方法有

attr(String key)：獲取單個(gè)屬性值
attributes()：獲取所有屬性值
attr(String key, String value)：設(shè)置屬性值
text()：獲取文本內(nèi)容
text(String value)：設(shè)置文本內(nèi)容
html()：獲取元素內(nèi)的HTML內(nèi)容
html(String value)：設(shè)置元素內(nèi)的HTML內(nèi)容
outerHtml()：獲取元素外HTML內(nèi)容
data()：獲取數(shù)據(jù)內(nèi)容（例如：script和style標(biāo)簽)
id()：獲得id值（例：<p id="goods">衣服</p>）
className()：獲得第一個(gè)類選擇器值
classNames()：獲得所有的類選擇器值
tag()：獲取元素標(biāo)簽
tagName()：獲取元素標(biāo)簽名（如：<p>、<div>等）
.hasClass(String className)：檢查這個(gè)元素是否含有一個(gè)類選擇器（不區(qū)分大小寫）。

String html = "<p><a ><b>example</b></a> link.</p>";
Document doc  = Jsoup.parse(html);
// 查找第一個(gè)<a>元素
Element link = doc.select("a").first();
String text  = link.text();
// 輸出：example
String href = link.attr("href");
// 輸出：http://csdn.com/
String aHtml = link.outerHtml();
// 輸出：<b>example</b>
String aOuterHtml = link.outerHtml();
// 輸出：<a ><b>example</b></a>

修改數(shù)據(jù)

解析了Document對(duì)象后，可能想修改其中的某些屬性值，把它輸出到前臺(tái)頁(yè)面或保存到其他地方，jsoup對(duì)此提供了一套非常簡(jiǎn)便的接口（支持鏈?zhǔn)綄懛ǎ?/p>

設(shè)置屬性的值

以下方法針對(duì)Element對(duì)象操作時(shí)，只有一個(gè)元素會(huì)受到影響。當(dāng)針對(duì)Elements對(duì)象進(jìn)行操作時(shí)，會(huì)影響到多個(gè)元素。

attr(String key, String value)：設(shè)置標(biāo)簽的屬性值。
addClass(String className)：增加類選擇器選項(xiàng)
removeClass(String className)：刪除對(duì)應(yīng)的類選擇器

Document doc = Jsoup.connect("http://csdn.com").get();
Elements elements = doc.getElementsByClass("text");
// 復(fù)數(shù)，Elements
Element element = elements.first();
// 單數(shù)，Element
elements.attr("name","goods");
// 復(fù)數(shù)對(duì)象，所有 class="text" 的元素都將受到影響
element.attr("name","shop")
        .addClass("red");
// 單數(shù)對(duì)象，只有一個(gè)元素會(huì)受到影響（鏈?zhǔn)綄懛ǎ?/pre>

修改元素的HTML內(nèi)容

html(String value)：這個(gè)方法將先清除元素中的HTML內(nèi)容，然后用傳入的HTML代替。
prepend(String value)：在元素前添加html內(nèi)容。
append(String value)：在元素后添加html內(nèi)容。
wrap(String value)：對(duì)元素包裹一個(gè)外部HTML內(nèi)容，將元素置于新增的內(nèi)容中間。

Document doc = Jsoup.connect("http://csdn.com").get();
Element div = doc.select("div").first();
div.html("<p>csdn</p>");
div.prepend("<p>a</p>");
div.append("<p>good</p>");
// 輸出：<div"> <p>a</p> <p>csdn</p> <p>good</p> </div>
Element span = doc.select("span").first();
span.wrap("<li><a href='...'></a></li>");
// 輸出: <li><a href="..." rel="external nofollow" > <span>csdn</span> </a></li>

修改元素的文本內(nèi)容

對(duì)于傳入的文本，如果含有像 <, > 等這樣的字符，將以文本處理，而非HTML。

text(String text) ：清除元素內(nèi)部的HTML內(nèi)容，然后用提供的文本代替。
prepend(String first)：在元素后添加文本節(jié)點(diǎn)。
Element.append(String last)：在元素前添加文本節(jié)點(diǎn)。

Element div = doc.select("div").first();
 // <div></div>
div.text(" one "); 
div.prepend(" two ");
div.append(" three ");
// 輸出: <div> two one three </div>

到此這篇關(guān)于SpringBoot使用jsoup爬取HTML的文章就介紹到這了,更多相關(guān)SpringBoot使用jsoup爬取HTML內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: