码迷,mamicode.com
首页 > 编程语言 > 详细

jsoup实现java抓取网页内容。

时间:2014-08-11 00:34:11      阅读:314      评论:0      收藏:0      [点我收藏+]

标签:style   http   java   使用   os   io   strong   文件   

Java 程序在解析 HTML 文档时,相信大家都接触过 htmlparser 这个开源项目,我曾经在 IBM DW 上发表过两篇关于 htmlparser 的文章,分别是:从 HTML 中攫取你所需的信息和 扩展 HTMLParser 对自定义标签的处理能力。但现在我已经不再使用 htmlparser 了,原因是 htmlparser 很少更新,但最重要的是有了 jsoup 。


jsoup 是一款 Java 的 HTML 解析器,可直接解析某个 URL 地址、HTML 文本内容。它提供了一套非常省力的 API,可通过 DOM,CSS 以及类似于 jQuery 的操作方法来取出和操作数据。


jsoup 的主要功能如下:


1. 从一个 URL,文件或字符串中解析 HTML;


2. 使用 DOM 或 CSS 选择器来查找、取出数据;


3. 可操作 HTML 元素、属性、文本;


jsoup 是基于 MIT 协议发布的,可放心使用于商业项目。


jsoup 的主要类层次结构如图 1 所示:



图 1. jsoup 的类层次结构

图 1. jsoup 的类层次结构 

 


接下来我们专门针对几种常见的应用场景举例说明 jsoup 是如何优雅的进行 HTML 文档处理的。


回页首


文档输入


jsoup 可以从包括字符串、URL 地址以及本地文件来加载 HTML 文档,并生成 Document 对象实例。


下面是相关代码:



清单 1

     

 // 直接从字符串中输入 HTML 文档

 String html = "<html><head><title> 开源中国社区 </title></head>"

  + "<body><p> 这里是 jsoup 项目的相关文章 </p></body></html>"; 

 Document doc = Jsoup.parse(html); 


 // 从 URL 直接加载 HTML 文档

 Document doc = Jsoup.connect("http://www.oschina.net/").get(); 

 String title = doc.title(); 


 Document doc = Jsoup.connect("http://www.oschina.net/") 

  .data("query", "Java")   // 请求参数

  .userAgent("I ’ m jsoup") // 设置 User-Agent 

  .cookie("auth", "token") // 设置 cookie 

  .timeout(3000)           // 设置连接超时时间

  .post();                 // 使用 POST 方法访问 URL 


 // 从文件中加载 HTML 文档

 File input = new File("D:/test.html"); 

 Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/"); 


 

请大家注意最后一种 HTML 文档输入方式中的 parse 的第三个参数,为什么需要在这里指定一个网址呢(虽然可以不指定,如第一种方法)?因为 HTML 文档中会有很多例如链接、图片以及所引用的外部脚本、css 文件等,而第三个名为 baseURL 的参数的意思就是当 HTML 文档使用相对路径方式引用外部文件时,jsoup 会自动为这些 URL 加上一个前缀,也就是这个 baseURL。


例如 <a href=/project> 开源软件 </a> 会被转换成 <a href=http://www.oschina.net/project> 开源软件 </a>。


回页首


解析并提取 HTML 元素


这部分涉及一个 HTML 解析器最基本的功能,但 jsoup 使用一种有别于其他开源项目的方式——选择器,我们将在最后一部分详细介绍 jsoup 选择器,本节中你将看到 jsoup 是如何用最简单的代码实现。


不过 jsoup 也提供了传统的 DOM 方式的元素解析,看看下面的代码:



清单 2.

     

 File input = new File("D:/test.html"); 

 Document doc = Jsoup.parse(input, "UTF-8", "http://www.oschina.net/"); 


 Element content = doc.getElementById("content"); 

 Elements links = content.getElementsByTag("a"); 

 for (Element link : links) { 

  String linkHref = link.attr("href"); 

  String linkText = link.text(); 

 } 


 

你可能会觉得 jsoup 的方法似曾相识,没错,像 getElementById 和 getElementsByTag 方法跟 JavaScript 的方法名称是一样的,功能也完全一致。你可以根据节点名称或者是 HTML 元素的 id 来获取对应的元素或者元素列表。


与 htmlparser 项目不同的是,jsoup 并没有为 HTML 元素定义一个对应的类,一般一个 HTML 元素的组成部分包括:节点名、属性和文本,jsoup 提供简单的方法供你自己检索这些数据,这也是 jsoup 保持瘦身的原因。


而在元素检索方面,jsoup 的选择器简直无所不能,



清单 3.

     

 File input = new File("D:\test.html"); 

 Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/"); 


 Elements links = doc.select("a[href]"); // 具有 href 属性的链接

 Elements pngs = doc.select("img[src$=.png]");// 所有引用 png 图片的元素



 Element masthead = doc.select("div.masthead").first(); 

 // 找出定义了 class=masthead 的元素


 Elements resultLinks = doc.select("h3.r > a"); // direct a after h3 


 

这是 jsoup 真正让我折服的地方,jsoup 使用跟 jQuery 一模一样的选择器对元素进行检索,以上的检索方法如果换成是其他的 HTML 解释器,至少都需要很多行代码,而 jsoup 只需要一行代码即可完成。


jsoup 的选择器还支持表达式功能,我们将在最后一节介绍这个超强的选择器。


回页首


修改数据


在解析文档的同时,我们可能会需要对文档中的某些元素进行修改,例如我们可以为文档中的所有图片增加可点击链接、修改链接地址或者是修改文本等。


下面是一些简单的例子:



清单 4.

     

 doc.select("div.comments a").attr("rel", "nofollow"); 

 // 为所有链接增加 rel=nofollow 属性

 doc.select("div.comments a").addClass("mylinkclass"); 

 // 为所有链接增加 class=mylinkclass 属性

 doc.select("img").removeAttr(" // 删除所有图片的 onclick 属性

 doc.select("input[type=text]").val(""); // 清空所有文本输入框中的文本


 

道理很简单,你只需要利用 jsoup 的选择器找出元素,然后就可以通过以上的方法来进行修改,除了无法修改标签名外(可以删除后再插入新的元素),包括元素的属性和文本都可以修改。


修改完直接调用 Element(s) 的 html() 方法就可以获取修改完的 HTML 文档。


回页首


HTML 文档清理


jsoup 在提供强大的 API 同时,人性化方面也做得非常好。在做网站的时候,经常会提供用户评论的功能。有些用户比较淘气,会搞一些脚本到评论内容中,而这些脚本可能会破坏整个页面的行为,更严重的是获取一些机要信息,例如 XSS 跨站点攻击之类的。


jsoup 对这方面的支持非常强大,使用非常简单。看看下面这段代码:



清单 5.

     

 String unsafe = "<p><a href=‘http://www.oschina.net/‘  

 开源中国社区 </a></p>"; 

 String safe = Jsoup.clean(unsafe, Whitelist.basic()); 

 // 输出 : 

 // <p><a href="http://www.oschina.net/" rel="nofollow"> 开源中国社区 </a></p> 


 

jsoup 使用一个 Whitelist 类用来对 HTML 文档进行过滤,该类提供几个常用方法:



表 1. 常用方法:

方法名 简介

none() 只允许包含文本信息

basic() 允许的标签包括:a, b, blockquote, br, cite, code, dd, dl, dt, em, i, li, ol, p, pre, q, small, strike, strong, sub, sup, u, ul, 以及合适的属性

simpleText() 只允许 b, em, i, strong, u 这些标签

basicWithImages() 在 basic() 的基础上增加了图片

relaxed() 这个过滤器允许的标签最多,包括:a, b, blockquote, br, caption, cite, code, col, colgroup, dd, dl, dt, em, h1, h2, h3, h4, h5, h6, i, img, li, ol, p, pre, q, small, strike, strong, sub, sup, table, tbody, td, tfoot, th, thead, tr, u, ul

 

如果这五个过滤器都无法满足你的要求呢,例如你允许用户插入 flash 动画,没关系,Whitelist 提供扩展功能,例如 whitelist.addTags("embed","object","param","span","div"); 也可调用 addAttributes 为某些元素增加属性。


回页首


jsoup 的过人之处——选择器


前面我们已经简单的介绍了 jsoup 是如何使用选择器来对元素进行检索的。本节我们把重点放在选择器本身强大的语法上。下表是 jsoup 选择器的所有语法详细列表。



表 2. 基本用法:

tagname 使用标签名来定位,例如 a

ns|tag 使用命名空间的标签定位,例如 fb:name 来查找 <fb:name> 元素

#id 使用元素 id 定位,例如 #logo

.class 使用元素的 class 属性定位,例如 .head

[attribute] 使用元素的属性进行定位,例如 [href] 表示检索具有 href 属性的所有元素

[^attr] 使用元素的属性名前缀进行定位,例如 [^data-] 用来查找 HTML5 的 dataset 属性

[attr=value] 使用属性值进行定位,例如 [width=500] 定位所有 width 属性值为 500 的元素

[attr^=value], [attr$=value], [attr*=value] 这三个语法分别代表,属性以 value 开头、结尾以及包含

[attr~=regex] 使用正则表达式进行属性值的过滤,例如 img[src~=(?i)\.(png|jpe?g)]

* 定位所有元素

 

以上是最基本的选择器语法,这些语法也可以组合起来使用,下面是 jsoup 支持的组合用法:



表 3:组合用法:

el#id 定位 id 值某个元素,例如 a#logo -> <a id=logo href= … >

el.class 定位 class 为指定值的元素,例如 div.head -> <div class=head>xxxx</div>

el[attr] 定位所有定义了某属性的元素,例如 a[href]

以上三个任意组合 例如 a[href]#logo 、a[name].outerlink

ancestor child 这五种都是元素之间组合关系的选择器语法,其中包括父子关系、合并关系和层次关系。

parent > child

siblingA + siblingB

siblingA ~ siblingX

el, el, el

 

除了一些基本的语法以及这些语法进行组合外,jsoup 还支持使用表达式进行元素过滤选择。下面是 jsoup 支持的所有表达式一览表:


表 4. 表达式:

:lt(n) 例如 td:lt(3) 表示 小于三列

:gt(n) div p:gt(2) 表示 div 中包含 2 个以上的 p

:eq(n) form input:eq(1) 表示只包含一个 input 的表单

:has(seletor) div:has(p) 表示包含了 p 元素的 div

:not(selector) div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表

:contains(text) 包含某文本的元素,不区分大小写,例如 p:contains(oschina)

:containsOwn(text) 文本信息完全等于指定条件的过滤

:matches(regex) 使用正则表达式进行文本过滤:div:matches((?i)login)

:matchesOwn(regex) 使用正则表达式找到自身的文本



jsoup实现java抓取网页内容。,布布扣,bubuko.com

jsoup实现java抓取网页内容。

标签:style   http   java   使用   os   io   strong   文件   

原文地址:http://my.oschina.net/AaronCN/blog/299874

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!