问题背景 使用java爬取拉勾网上职位信息。
首先,解析拉勾网职位信息网页,找出需要提取的信息并存入数据库。
之前尝试的方法:使用过解析json文件,但每个json文件只有15条信息,而且同一电脑多次访问网站会遇到限制(反爬虫)。 解析网页时使用正则表达式:优点:代码简介;缺点:正则表达式较为复杂,新手理解较为困难。 目前解决的办法:使用第三方库jsoup解析网页,获得想要的数据。 遇到的问题
需要使用类似于CSS或jQuery的语法来查找和操作元素。
方法可以使用Element.select(String
selector) 和 Elements.select(String
selector) 方法实现:
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Elements links = doc.select("a[href]"); //带有href属性的a元素
Elements pngs = doc.select("img[src$=.png]"); //扩展名为.png的图片
Element masthead = doc.select("div.masthead").first(); //class等于masthead的div标签
Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素
说明jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.
这个select 方法在Document , Element ,或Elements 对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。
Select方法将返回一个Elements 集合,并提供一组方法来抽取和处理结果。
Selector选择器概述
tagname : 通过标签查找元素,比如:a
ns|tag : 通过标签在命名空间查找元素,比如:可以用 fb|name 语法来查找 <fb:name> 元素
#id : 通过ID查找元素,比如:#logo
.class : 通过class名称查找元素,比如:.masthead
[attribute] : 利用属性查找元素,比如:[href]
[^attr] : 利用属性名前缀来查找元素,比如:可以用[^data-] 来查找带有HTML5 Dataset属性的元素
[attr=value] : 利用属性值来查找元素,比如:[width=500]
[attr^=value] , [attr$=value] , [attr*=value] : 利用匹配属性值开头、结尾或包含属性值来查找元素,比如:[href*=/path/]
[attr~=regex] : 利用属性值匹配正则表达式来查找元素,比如: img[src~=(?i)\.(png|jpe?g)]
* : 这个符号将匹配所有元素
Selector选择器组合使用
el#id : 元素+ID,比如: div#logo
el.class : 元素+class,比如: div.masthead
el[attr] : 元素+class,比如: a[href] 任意组合,比如:a[href].highlight
ancestor
child : 查找某个元素下子元素,比如:可以用.body
p 查找在"body"元素下的所有 p 元素
parent
> child : 查找某个父元素下的直接子元素,比如:可以用div.content
> p 查找 p 元素,也可以用body
> * 查找body标签下所有直接子元素
siblingA
+ siblingB : 查找在A元素之前第一个同级元素B,比如:div.head
+ div
siblingA
~ siblingX : 查找A元素之前的同级X元素,比如:h1
~ p
el,
el, el :多个选择器组合,查找匹配任一选择器的唯一元素,例如:div.masthead,
div.logo
伪选择器selectors
:lt(n) : 查找哪些元素的同级索引值(它的位置在DOM树中是相对于它的父节点)小于n,比如:td:lt(3) 表示小于三列的元素
:gt(n) :查找哪些元素的同级索引值大于n ,比如 : div
p:gt(2) 表示哪些div中有包含2个以上的p元素
:eq(n) : 查找哪些元素的同级索引值与n 相等,比如:form
input:eq(1) 表示包含一个input标签的Form元素
:has(seletor) : 查找匹配选择器包含元素的元素,比如:div:has(p) 表示哪些div包含了p元素
:not(selector) : 查找与选择器不匹配的元素,比如: div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text) : 查找包含给定文本的元素,搜索不区分大不写,比如: p:contains(jsoup)
:containsOwn(text) : 查找直接包含给定文本的元素
:matches(regex) : 查找哪些元素的文本匹配指定的正则表达式,比如:div:matches((?i)login)
:matchesOwn(regex) : 查找自身包含文本匹配指定正则表达式的元素 注意:上述伪选择器索引是从0开始的,也就是说第一个元素索引值为0,第二个元素index为1等
可以查看Selector API参考来了解更详细的内容
测试代码:
public static void main(String[] args) {
// TODO Auto-generated method stub try {
Document document=Jsoup.connect("http://www.lagou.com/jobs/857555.html?source=position_rec&i=position_rec-0").get();
Element element=document.select("meta[name]").get(2);
/*获得含有工作名称、公司名称的字符串,之后可以进行进一步的解析*/
System.out.println(element.attr("content"));
/*获得工资字符串*/
Element salary=document.getElementsByTag("span").get(3);
System.out.println(salary.text());
/*获得公司地址*/
Element address=document.getElementsByTag("span").get(4);
System.out.println(address.text());
/ *获得工作经验*/
Element experience=document.getElementsByTag("span").get(5);
System.out.println(experience.text());
/*获得学历要求*/
Element education=document.getElementsByTag("span").get(6);
System.out.println(education.text());
/*查找领域、融资情况*/
Elements results=document.select(".c_feature").select("li");
/*领域*/
System.out.println(results.get(0).text());
/*融资*/
System.out.println(results.get(3).text()); } catch (IOException e) {
// TODO: handle exception
e.printStackTrace();
}
}
------------------------------------------------------------个人原创---------------------------------------------------------------------
|
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理