利用Jsoup解析网页，抓取数据的简单应用

用户5166556

发布于 2019-04-16 03:54:51

1.1K00

代码可运行

运行总次数：0

代码可运行

最近一直在公司利用爬虫技术，去抓取一些网页查询网站备案信息，刚开始使用HttpClient 和 jericho （这两个也挺好用你可以去测试一下）。但是后来发现了Jsoup，他和Jquery很相似，在搜节点上使用的技术几乎相似。所以凡是使用过Jquery的都可以去尝试使用Jsoup去解析抓取数据。下面举个例子我们去抓去所有公交车的信息（哥是郑州的哈）。

在解析之前你需要jar包，你可以去http://jsoup.org/直接下载。如果使用maven更方便只需引进依赖 例如

<dependency>
 <groupId>org.jsoup</groupId>
 <artifactId>jsoup</artifactId>
 <version>1.7.3</version>
</dependency>

好了下面进入正题，我将用一个实例来证明怎么去连接网站，抓取，最后解析的过程：

package parserhtml;


import java.io.IOException;


import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;


public class ParserCarHtml {
      static String url = "http://218.28.136.21:8081/line.asp";//公交website
       public static Document getHtml(String domain){
       Document html = null;
    try {
                       
//与网站建立连接，并拿到页面。（注意这里？号一定要加上，这也是抓取页面的过程，如果在浏览器中没有？，不用写，这点你可以参考浏览器是怎么解析的，然后试图模       //仿，不过今年来有些人用于非法解析，所以有些网站防爬虫，但是不用怕，在Jsoup中Connection中提供了一系列，添加Cookie，和一些请求参数的方法，这点你可以把              // 浏览器中的参数以key - value的形式copy进去 ，那么你的程序将模拟一个浏览器例如： 
    // Jsoup.connect(url+"?xl="+domain).data("", "").cookie("", "").get();  这里面填写的分别是浏览器中的信息，你可以鼠标右键，审查元素，然后可以找到相应信息。*/

         html = Jsoup.connect(url+"?xl="+domain).get();
        } catch (IOException e) {
             e.printStackTrace();
        }
         return html;
     }
     
    public static String PaserHtml(Document html){
         Elements node = html.select("a");//进行你需要的选择元素。我的这个解析网站比较简单。你可以利用Jsoup中提供的方法去获取一些需要的元素。
         String html1 = node.toString();
         String html2 = html1.replaceAll("\\p{Punct}", "").replaceAll("[a-zA-Z]", "").replaceAll("\\p{Digit}", "");//利用正则表达式去解析网站
         return html2;
     }
     
      
     public static void main(String[] args) {
        getHtml("904");//这里的904是我随便输入的公交车路线。
        PaserHtml(getHtml("904"));
        System.out.println(PaserHtml(getHtml("904")));
   }
}