SpringBoot使用jsoup爬取HTML

原文网址：SpringBoot使用jsoup爬取HTML_IT利刃出鞘的博客-CSDN博客

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。

java">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

java">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

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

还可以携带cookie等参数：

java">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

java">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。

java">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)。

java">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

java">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）。

java">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

java">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。

java">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="..."> <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。

java">Element div = doc.select("div").first();
 // <div></div>

div.text(" one "); 
div.prepend(" two ");
div.append(" three ");
// 输出: <div> two one three </div>