java爬取网页内容简单例子（2）——附jsoup的select用法详解

2022-11-08 12:26:15

【背景】

　　在上一篇博文java爬取网页内容简单例子（1）——使用正则表达式里面，介绍了如何使用正则表达式去解析网页的内容，虽然该正则表达式比较通用，但繁琐，代码量多，现实中想要想出一条简单的正则表达式对于没有很好正则表达式基础的人——比如说我T_T——是一件蛮困难的事。这一篇，我们改用jsoup，一个强大的解析html工具，去解析html，你会发现，一切都变得很容易。

【准备工作】

下载：jsoup-1.6.1.jar

【先看效果】

目标网站：中国天气

目的：获取今天的天气

目标HTML代码：

<li class="dn on" data-dn="7d1">

      <h1>今天</h1>

      <h2>8日</h2>

      <big class="jpg50 d04"></big>

      <big class="jpg50 n04"></big>

      <p class="wea" title="雷阵雨">雷阵雨</p>

      <p class="tem tem1"> <span>33</span><i>°C</i> </p>

      <p class="tem tem2"> <span>25</span><i>°C</i> </p>

      <p class="win">

            <em>

                  <span title="无持续风向" class=""></span>

                  <span title="无持续风向" class=""></span>

            </em>

            <i>微风</i>

      </p>

      <div class="slid"></div>

</li>

解析的java代码：

（1）审查网页元素后发现，我们要的内容在上面的目标HTML代码中，在整个网页中是在 class="dn on" data-dn="7d1" 的<li>中

（2）“今天” 两字在<h1></h1>中

（3）“8日” 两字在<h2></h2>中

（4）“雷阵雨” 三字在 class="wea" 中

（5）“33” 在第一个<span>中

（6）“25” 在第二个<span>中

（7）“微风” 两字在第三个<i> 中

有了上面的分析，要获取到这些天气内容就易如反掌了。如下java代码：

 package com.zjm.www.test;

 import java.io.IOException;

 import org.jsoup.Jsoup;

 import org.jsoup.nodes.Document;

 import org.jsoup.select.Elements;

 public class TestJsoup {

     public  Document getDocument (String url){

         try {

             return Jsoup.connect(url).get();

         } catch (IOException e) {

             e.printStackTrace();

         }

         return null;

     }

     public static void main(String[] args) {

         TestJsoup t = new TestJsoup();

         Document doc = t.getDocument("http://www.weather.com.cn/html/weather/101280101.shtml");

         // 获取目标HTML代码

         Elements elements1 = doc.select("[class=dn on][data-dn=7d1]");

         // 今天

         Elements elements2 = elements1.select("h1");

         String today = elements2.get(0).text();

         System.out.println(today);

         // 几号

         Elements elements3 = elements1.select("h2");

         String number = elements3.get(0).text();

         System.out.println(number);

         // 是否有雨

         Elements elements4 = elements1.select("[class=wea]");

         String rain = elements4.get(0).text();

         System.out.println(rain);

         // 高的温度

         Elements elements5 = elements1.select("span");

         String highTemperature = elements5.get(0).text()+"°C";

         System.out.println(highTemperature);

         // 低的温度

         String lowTemperature = elements5.get(1).text()+"°C";

         System.out.println(lowTemperature);

         // 风力

         Elements elements6 = elements1.select("i");

         String wind = elements6.get(2).text();

         System.out.println(wind);

     }

 }

结果打印出：

 今天

 8日

 雷阵雨

 33°C

 25°C

 微风

【详解】

附:

jsoup的官方中文文档为：http://www.open-open.com/
API为：http://jsoup.org/apidocs/

java代码第13行：

　　从文档中我们可用看出，获取数据源的方法有三：

（1）从一段html代码字符串获取：　　Document doc = Jsoup.parse(html);

（2）从一个url获取：　　　　　　　　Document doc = Jsoup.connect("http://example.com/").get();

（3）从一个html文件获取　　　　　　File input = new File("/tmp/input.html"); Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

这里，我们采取了第二种方法，从url中获取。

java代码第24、26、30、34、38行：

　　Document 继承自 Element 类，而Element类有一个很好的方法，叫select ，这个选择器几乎无所不能。快速从一堆html代码中获取我们想要的一段，我觉得使用select最方便。下面我们来看怎么使用select方法来查找。

注：以下表格的结果都是使用以下语句打印出来的

for(Element e : elements) {

            System.out.println(e.text());

        }

select详解
描述	测试的HTML代码	select写法	结果
通过标签名来查找	<span>33</span> <span>25</span>	Elements elements = doc.select("span"); 注：通过标签来查找，直接写 "标签名" 就好，不需要尖括号。	33 25
通过 id 来查找	<span id=\"mySpan\"></span> <span>20</span>	Elements elements = doc.select("#mySpan"); 注：通过id来查找，使用方法跟css指定元素一样，用#	36
通过 class名来查找	<span class=\"myClass\">36</span> <span>20</span>	Elements elements = doc.select(".myClass"); 注：通过id来查找，使用方法跟css指定元素一样，用 .	36
利用标签内属性名查找元素	<span class=\"class1\" id=\"id1\">36</span> <span class=\"class2\" id=\"id2\">36</span>	Elements elements = doc.select("span[class=class1]span[id=id1]"); 注：规则为标签名【属性名=属性值】，标签名可写可不写，多个属性即多个【】，如上。	36
利用标签内属性名前缀查找元素	<span class=\"class1\" >36</span> <span class=\"class2\" >22</span>	Elements elements = doc.select("span[^cl]"); 注：规则为标签名【^属性名前缀】，标签名可写可不写，多个属性即多个【】。	36 22
利用标签内属性名+正则表达式查找元素	<span class=\"ABC\" >36</span> <span class=\"ADE\" >22</span>	Elements elements = doc.select("span[class~=^AB]"); 注：规则为标签名【属性名~=正则表达式】，以上的正则表达式的意思是查找以class值以AB为开头的标签，标签名可写可不写，多个属性即多个【】	36
利用标签文本包含某些内容来查找	<span>36</span> <span>22</span>	Elements elements = doc.select("span:contains(3)"); 注：规则为标签名:contains(文本值)	36
利用标签文本包含某些内容+正则表达式来查找	<span>36</span> <span>22</span>	Elements elements = doc.select("span:matchesOwn(^3)"); 注：规则为标签名:matchesOwn(正则表达式)，以上的正则表式的意思是以文本值以3为开头的标签	36

关于select，还有一些其他的查找方法，以上只列出个人觉得比较好用、常用的语法。

select方法返回的是一个Elements 对象，里面包含着找到的所有节点。遍历Elements ，通过get（index），就可以拿出具体的节点了。通过节点的text()方法，就可用拿出文本值。

而想得到节点的其他属性，可以看API的介绍。

【结语】

jsoup还有其他强大的功能，在此只介绍其在获取网页特定内容的写法。希望对刚接触jsoup的人有帮助。

如果本文有哪里写得不好或写错，欢迎各位提出来，感激不尽~

码农公寓

相关文章