Android Jsoup 爬取网页数据
一不小心一个月又过去了,事实上近期还是小忙小忙的,废话不多说。直接进入今天的主题吧。
Jsoup – Java HTML Parser, with best of DOM, CSS, and jquery.。看这个介绍就知道。这个就是方便咱们
Java和
Android来解析
HTML的。
HTML 标签
要去爬别人的
HTML标签的话,首先你肯定得有一定的
HTML的基础知识吧。
比方说经常使用的标签。标签的相关属性,这个就不多说了,有相关问题都能够在 www.w3school.com.cn 的站点解决一下。
载入网页
最简单的,直接载入一个网页:
Document document = Jsoup.connect("https://www.google.com").get();
那看到最后的
get()方法聪明滴你一定就猜到另一个相应的
post()方法了吧。
另外,
http请求的相关操作都是能够设置的。包括
header请求參数。请求超时等等。除此之外,本地的文件(IO流)等都是能够直接解析的哈。
Document document = Jsoup.connect("https://android-arsenal.com") .timeout(5000) .cookie("cookie", "cxxx") .header("xx", "xx") .userAgent("") .get();
基本标签解析
之后咱们就得到了一个
Document的对象了。这个对象就是对整个请求网页的封装。相关内容都能够在里面获取。
来吧,增加我们有以下一段html标签须要解析:
RendererRecyclerViewAdapter Recycler Views Free NewA single adapter for the whole project.
- Now you do not need to implement adapters for RecyclerView.
- You can easily use several types of cells in a single list.
- Using this library will protect you from the appearance of any business logic in an adapter.
Jsoup里面对于标签的寻找使用的方法是
select()方法。这种方法不要太强大了。咱们一步一步的来。
比方我们要在茫茫标签中找到
<div class="project-info clearfix">的话,拿这里就是应该
findElementByClass(),那么在
Jsoup中是怎么定义这一块的呢?
哈哈,非常easy嘛,那就是
document.select("div.project-info clearfix")咯,当然不是这样子的。等等
class属性里面这个空格是什么意思啊?是不是一脸懵逼?这里终于的写法是
document.select("div.project-info.clearfix")空格须要用
.来处理。
Elements select = document.select("div.project-info.clearfix");
这里得到是一个集合。
我们接下来就须要遍历这个集合,然后把里面的每个标签都拔出来。
title 部分的解析,这里是一个
<div>里面嵌套了一个
<a>的标签。这里就涉及到了解析
<a>标签了。这里我们须要相应的
href,也须要相应的
text,
Jsoup提供了相应的两个方法
attr()和
text()。
Elements elements = e.select("div.title"); if (!elements.isEmpty()) { for (Element tittle : elements) { Element first = tittle.select("a[href]").first(); if (first != null) { title = first.text(); titleUrl = first.attr("href"); System.out.println("名称:" + title); System.out.println("详细地址:" + titleUrl); } Elements select1 = tittle.select("a.tags"); if (!select1.isEmpty()) { tag = select1.text(); tagUrl = select1.attr("href"); System.out.println("tags:" + tag); System.out.println("tagUrl:" + tagUrl); } } }
嵌套解析
到这里。
<div>和
<a>标签的介绍基本搞定。接下来就是
<div class="desc">的解析了。
<div class="desc"> <p>A single adapter for the whole project.</p> <ul> <li>Now you do not need to implement adapters for RecyclerView.</li> <li>You can easily use several types of cells in a single list.</li> <li>Using this library will protect you from the appearance of any business logic in an adapter.</li> </ul> </div>
这里又多了
<ul>和
<li>了。事实上道理是几乎相同的,可是这里它们既没有
class也没有
id。那这个我们应该这么去解析呢?
这里还是要回到
select()方法,这里就须要使用到指定层级的方法了。
Elements select1 = e.select("div.desc > p"); String s = select1.toString();
对于
<dt>
<dd>相关的标签,就能够使用
+相关的连接符了。比如我想要仅仅解析
Tag以下的相应的
Tag名称和相关的
url,这个应该怎么写呢?
<dt>Tag</dt> <dd><a href="/tag/9">Background Processing</a></dd> <dt>License</dt> <dd><a href="http://opensource.org/licenses/Apache-2.0" rel="nofollow" target="_blank">Apache License, Version 2.0</a> </dd>
代码就是这种,这里一不小心就又引出了
select()方法的嵌套高级写法。
Elements select4 = element.select("dt:contains(Tag) + dd");
事实上不用太多解释啦。截图里面描写叙述的非常清楚了。最后一个是能够支持正则的匹配。
同级相邻解析
另一种情况就是我们须要的标签没有详细的
id或者
class,而且它没有直接相应的父标签或者某种固定的嵌套关系,比如以下这种情况:
ImmediateLooperScheduler " data-snippet-id="ext.2bc5ebe9840f0e244465396f590a3cf3" data-snippet-saved="false" data-codota-status="done">[code]<a id="favoriteButton" href="#" class="fa fa-star-o favorite tshadow" title="Add to favorites"></a> <a href="/details/1/5244">ImmediateLooperScheduler</a> <div id="githubInfoValue">
这里我们仅仅须要解析到第二个
<a>标签,那么须要怎么处理呢?这里就须要使用到
nextElementSibling()的方法了。
Element ssa = h1.select("a#favoriteButton").first(); Element element = ssa.nextElementSibling(); String title = element.text();
模糊解析
有时候我们仅仅知道这个
<div>是以 什么开头或者是以什么结尾或者又是里面包括了某个单词的,那么这个时候就须要使用模糊查找了。
在
Jsoup中定义了这些情况的相关
select()写法,当中。以什么开头。是使用
a[href^=http],以什么结尾使用
a[href$=.jpg],包括什么就是使用
a[href*=/search/]。
javascript 解析
刚刚说的都是普通标签及其内容,假设我要获取js相关的标签以及内容呢?事实上也不难,仅仅是最后不是使用text()的方法。而是使用data()的方法了。
就是
Jsoup最基本的就是写好这个
select()方法,
final Elements script = document.select("script"); String js = script.first().data();
相关实战
Android-Arsenal 这个站点不造大家伙儿有听说过没?这里给我们Android开发人员提供了了一个信息交流展示平台。实时更新一些Android相关的App,开发库、以及Demo。然后。我看到它也有自己的client,所以一时好奇也打算下载下来看看。结果,client就是直接载入的网页,关键是广告满天飞。这个就让人不好受了(话说回来,人家不打广告赚点儿钱做这个平台干嘛呢。)
所以灵机一动。为什么我不自己搞一个
Android-Arsenal的client呢?这样方便在手机上看到最新的东西嘛。所以就做了一个client。而使用的就是
Jsoup来爬去的相应的网页。然后就把相应
ads的标签都过滤了,所以是非常清爽的啦。
当然功能也仅仅是先实现了一部分。喜欢的朋友能够点个星星或者下载使用哟。
最后来一波效果图:
项目地址:https://github.com/lovejjfg/Android-Arsenal
—- Edit By Joe At 2017 03 18 —-
- Android自由开发者 通过Jsoup抓取网页数据
- Jsoup抓取网页数据完成一个简易的Android新闻APP
- Android App使用Jsoup抓取网页数据显示
- android:获取富文本图片和使用Jsoup抓取腾讯新闻网页数据
- Android Jsoup 爬取网页数据
- Android利用jsoup爬虫爬网页数据(二)
- Android中使用jsoup对网页数据的抓取和修改
- jsoup抓取网页上的数据,Android同时获取数据
- Android利用jsoup爬虫爬网页数据(一)
- android中使用JSOUP如何解析网页数据详述
- Jsoup抓取网页数据完成一个简易的Android新闻APP
- Jsoup一个简短的引论——采用Java抓取网页数据
- 网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
- 网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
- java简单实现爬虫、jsoup实现网页抓取、POI实现数据导出Excel
- Android中获取网页表单中的数据
- 用Jsoup解析静态网页数据
- android 从网络上获取数据(图片,网页,xml,json等)
- [android] 获取网页中的HTML数据
- 使用jsoup获取网页数据实现加载更多和下拉刷新(二)