脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 软件编程 → java → SpringBoot使用jsoup爬取HTML

SpringBoot使用jsoup爬取HTML的方法

 更新时间：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,可通过 DOM、CSS 通过类似于 JQuery 的操作方法来取出和操作数据,这篇文章主要介绍了SpringBoot使用jsoup爬取HTML,需要的朋友可以参考下

简介

本文介绍SpringBoot--使用jsoup(Java爬虫工具)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，可通过 DOM、CSS 通过类似于 JQuery 的操作方法来取出和操作数据。

jsoup的主要功能

  • 从一个URL、文件或字符串中解析HTML；
  • 用DOM和css或类似jquery的selector语法获取Element，然后从从中获取节点属性、文本、html
  • 对Element的进行操作，包括HTML的值、节点内容的值和设置节点属性的值；

引入依赖

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

解析Document

Jsoup支持四种方式解析Document，即可以输入四种内容得到一个Document：

  • 字符串
  • body片段
  • URL
  • 文件

字符串解析示例

字符串中必须包含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 此时为：<body> <p>Lorem ipsum.</p></body>
Element body = doc.body();
System.out.println(body);

从URL解析

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

还可以携带cookie等参数：

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

从文件解析

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

选择元素

获取数据一共有 2 种方式，分别为 DOM方式、CSS选择器方式。

DOM方式

将HTML解析成一个Document之后，就可以使用类似于DOM的方法进行操作。

Document doc = Jsoup.connect("http://csdn.com").get();
// 获取带有 href 属性的 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);
}

说明

Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下：

查找元素

  • getElementById(String id)：通过id来查找元素
  • getElementsByTag(String tag)：通过标签来查找元素
  • getElementsByClass(String className)：通过类选择器来查找元素
  • getElementsByAttribute(String key) ：通过属性名称来查找元素，例如查找带有href元素的标签。
  • siblingElements()：获取兄弟元素。如果元素没有兄弟元素，则返回一个空列表。
  • firstElementSibling()：获取第一个兄弟元素。
  • lastElementSibling()：获取最后一个兄弟元素。
  • nextElementSibling()：获取下一个兄弟元素。
  • previousElementSibling()：获取上一个兄弟元素。
  • parent()：获取此节点的父节点。
  • children()：获取此节点的所有子节点。
  • child(int index)：获取此节点的指定子节点。

CSS选择器方式

可以使用类似于CSS选择器的语法来查找和操作元素，常用的方法为select(String selector)。

Document doc = Jsoup.connect("http://csdn.com").get();
// 获取带有 href 属性的 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);
}

说明

  • select()方法在Document、Element或Elements对象中都可以使用，而且是上下文相关的，因此可实现指定元素的过滤，或者采用链式访问。
  • 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。

链式访问示例

Document document = Jsoup.connect(URL).get();
// URL是要爬取页面的链接
Elements elements = document
            .select("div.vsb-box")
            .select("h2[class=cleafix]")
            .select("a[href]");

获取数据

获得元素后，就可以获取元素中的数据。

方法有

  • attr(String key)：获取单个属性值
  • attributes()：获取所有属性值
  • attr(String key, String value)：设置属性值
  • text()：获取文本内容
  • text(String value)：设置文本内容
  • html()：获取元素内的HTML内容
  • html(String value)：设置元素内的HTML内容
  • outerHtml()：获取元素外HTML内容
  • data()：获取数据内容（例如：script和style标签)
  • id()：获得id值（例：<p id="goods">衣服</p>）
  • className()：获得第一个类选择器值
  • classNames()：获得所有的类选择器值
  • tag()：获取元素标签
  • tagName()：获取元素标签名（如：<p>、<div>等）
  • .hasClass(String className)：检查这个元素是否含有一个类选择器（不区分大小写）。
String html = "<p><a href='http://csdn.com/'><b>example</b></a> link.</p>";
Document doc  = Jsoup.parse(html);
// 查找第一个<a>元素
Element link = doc.select("a").first();
String text  = link.text();
// 输出：example
String href = link.attr("href");
// 输出：http://csdn.com/
String aHtml = link.outerHtml();
// 输出：<b>example</b>
String aOuterHtml = link.outerHtml();
// 输出：<a href='http://csdn.com/'><b>example</b></a>

修改数据

解析了Document对象后，可能想修改其中的某些属性值，把它输出到前台页面或保存到其他地方，jsoup对此提供了一套非常简便的接口（支持链式写法）。

设置属性的值

以下方法针对Element对象操作时，只有一个元素会受到影响。当针对Elements对象进行操作时，会影响到多个元素。

  • attr(String key, String value)：设置标签的属性值。
  • addClass(String className)：增加类选择器选项
  • removeClass(String className)：删除对应的类选择器
Document doc = Jsoup.connect("http://csdn.com").get();
Elements elements = doc.getElementsByClass("text");
// 复数，Elements
Element element = elements.first();
// 单数，Element
elements.attr("name","goods");
// 复数对象，所有 class="text" 的元素都将受到影响
element.attr("name","shop")
        .addClass("red");
// 单数对象，只有一个元素会受到影响（链式写法）

修改元素的HTML内容

  • html(String value)：这个方法将先清除元素中的HTML内容，然后用传入的HTML代替。
  • prepend(String value)：在元素前添加html内容。
  • append(String value)：在元素后添加html内容。
  • wrap(String value)：对元素包裹一个外部HTML内容，将元素置于新增的内容中间。
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>");
// 输出：<div"> <p>a</p> <p>csdn</p> <p>good</p> </div>
Element span = doc.select("span").first();
span.wrap("<li><a href='...'></a></li>");
// 输出: <li><a href="..." rel="external nofollow" > <span>csdn</span> </a></li>

修改元素的文本内容

对于传入的文本，如果含有像 <, > 等这样的字符，将以文本处理，而非HTML。

  • text(String text) ：清除元素内部的HTML内容，然后用提供的文本代替。
  • prepend(String first)：在元素后添加文本节点。
  • Element.append(String last)：在元素前添加文本节点。
Element div = doc.select("div").first();
 // <div></div>
div.text(" one "); 
div.prepend(" two ");
div.append(" three ");
// 输出: <div> two one three </div>

到此这篇关于SpringBoot使用jsoup爬取HTML的文章就介绍到这了,更多相关SpringBoot使用jsoup爬取HTML内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

相关文章

  • MyBatis中的SQL映射文件如何配置参数映射和使用方法

    MyBatis中的SQL映射文件如何配置参数映射和使用方法

    MyBatis 是一种开源的 Java 持久化框架，它可以自动将数据库中的数据映射到 Java 对象中，并且使得 Java 对象可以非常方便地存储到数据库中，本文将介绍 MyBatis 中 SQL 映射文件的参数映射配置和使用方法,需要的朋友可以参考下
    2023-07-07
  • Spring Boot中RabbitMQ自动配置的介绍、原理和使用方法

    Spring Boot中RabbitMQ自动配置的介绍、原理和使用方法

    本文介绍了Spring Boot中RabbitMQ自动配置的介绍、原理和使用方法，通过本文的介绍，我们希望读者能够更好地理解Spring Boot中RabbitMQ的使用方法，并在项目中更加灵活地应用，感兴趣的朋友跟随小编一起看看吧
    2023-07-07
  • 利用Java如何实现将二维数组转化为链式储存

    利用Java如何实现将二维数组转化为链式储存

    链式结构不要求逻辑上相邻的节点在物理位置上也相邻,节点间的逻辑关系是由附加的指针字段表示的,通常借助于程序设计中的指针结构来实现,这篇文章主要给大家介绍了关于利用Java如何实现将二维数组转化为链式储存的相关资料,需要的朋友可以参考下
    2021-12-12
  • 为什么程序中突然多了 200 个 Dubbo-thread 线程的说明

    为什么程序中突然多了 200 个 Dubbo-thread 线程的说明

    这篇文章主要介绍了为什么程序中突然多了 200 个 Dubbo-thread 线程的说明，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2020-09-09
  • IDEA之web项目导入jar包方式

    IDEA之web项目导入jar包方式

    这篇文章主要介绍了IDEA之web项目导入jar包方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
    2024-05-05
  • MyBatisPlus分页的同时指定排序规则说明

    MyBatisPlus分页的同时指定排序规则说明

    这篇文章主要介绍了MyBatisPlus分页的同时指定排序规则说明，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2020-12-12
  • SpringMVC中Model与Session的区别说明

    SpringMVC中Model与Session的区别说明

    这篇文章主要介绍了SpringMVC中Model与Session的区别说明，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
    2021-12-12
  • java生成饼图svg及JFreeChart生成svg图表

    java生成饼图svg及JFreeChart生成svg图表

    java生成饼图svg，代码实现感觉有点复杂，个人认为不如用JFreeChart，这篇文章主要介绍java生成饼图svg及JFreeChart生成svg图表，有需要的小伙伴可以参考下
    2015-08-08
  • javaSE基础如何通俗的理解javaBean是什么

    javaSE基础如何通俗的理解javaBean是什么

    所谓的Java Bean，就是一个java类，编译后成为了一个后缀名是 .class的文件。这就是Java Bean，很多初学者，包括当年的我自己，总是被这些专有名词搞的晕头转向
    2021-10-10
  • 教你如何用Jenkins自动化部署项目(从零到搭建完成)

    教你如何用Jenkins自动化部署项目(从零到搭建完成)

    这篇文章主要介绍了教你如何用Jenkins自动化部署项目(从零到搭建完成)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2020-10-10

最新评论