标签：
之前一节我们说过java爬虫从网络上利用jsoup获取网页文本，也就是说我们可以有三种方法获取html，一是根据url链接，而是从本地路径获取，三是通过字符串解析成html文档
在这里，我们利用前两种搭配使用：
先看本地是否存在需要的网页，如果不存在就通过url获取并保存在本地（下次就可以不需要重新从网络加载）
我们先建一个类叫做Html类，具体内容如下：
package Product; import java.io.BufferedInputStream; import java.io.BufferedOutputStream; import java.io.File; import java.io.FileOutputStream; import java.io.IOException; import java.io.InputStream; import java.net.URL; import java.util.ArrayList; import java.util.Arrays; import org.jsoup.*; import org.jsoup.nodes.*; import org.jsoup.select.*; public class Html { //根据url从网络获取网页文本 public Document getHtmlTextByUrl(String url) { Document doc = null; try { //doc = Jsoup.connect(url).timeout(5000000).get(); int i = (int) (Math.random()*1000); //做一个随机延时，防止网站屏蔽
while(i!=0)
{ i--; }
doc= Jsoup.connect(url).data("query", "Java")
.userAgent("Mozilla") .cookie("auth", "token")
.timeout(300000) .post();
} catch (IOException e)
{ e.printStackTrace();
try {
doc = Jsoup.connect(url).timeout(5000000).get();
}
catch (IOException e1)
{ // TODO Auto-generated catch block e1.printStackTrace(); } }
return doc;
}
//根据本地路径获取网页文本，如果不存在就通过url从网络获取并保存
public Document getHtmlTextByPath(String name,String url)
{
String path = "D:/Html/" +name+".html";
Document doc = null ;
File input = new File(path);
String urlcat = url;
try {
doc = Jsoup.parse(input, "GBK");
if(!doc.children().isEmpty())
{
doc=null; System.out.println("已经存在"); }
}
catch (IOException e)
{
System.out.println("文件未找到，正在从网络获取.......");
doc = this.getHtmlTextByUrl(url);
//并且保存到本地
this.Save_Html(url, name); } return doc; } //此处为保存网页的函数
//将网页保存在本地（通过url,和保存的名字） public void Save_Html(String url,String name) { try { name = name+".html"; // System.out.print(name); File dest = new File("D:/Html/" +name);//D:\Html //接收字节输入流 InputStream is; //字节输出流 FileOutputStream fos = new FileOutputStream(dest); URL temp = new URL(url); is = temp.openStream(); //为字节输入流加缓冲 BufferedInputStream bis = new BufferedInputStream(is); //为字节输出流加缓冲 BufferedOutputStream bos = new BufferedOutputStream(fos); int length; byte[] bytes = new byte[1024*20]; while((length = bis.read(bytes, 0, bytes.length)) != -1){ fos.write(bytes, 0, length); } bos.close(); fos.close(); bis.close(); is.close(); } catch (IOException e) { e.printStackTrace(); } }
这样通过Html这个类，调用getHtmlTextByPath函数，传入我们的链接和想要保存的名称，接下就可以对这个网页文本提取信息
并将整个网页下载到我们的本地。
看到我们的网站是这样的：
利用谷歌浏览右键检查元素，我们注意观察黄色标记的部分：
我们发现这些文本信息和超链接信息在tr 下的td下的a标签内，利用我们的jsoup可以直接获取到这些信息，详情请看：
//根据元素属性获取某个元素内的elements列表 public Elements getEleByClass(Document doc,String className) { Elements elements= null;
elements = doc.select(className);//这里把我们获取到的html文本doc，和工具class名，注意<tr class="provincetr">
return elements; //此处返回的就是所有的tr集合
}
我们在调用的时候，就直接把我们获取的html文本，以及"tr.provincertr"作为参数传入，在来解析tr集合内部的信息，
也就是td中两个a标签href和文本内容：比如href="12.html" 北京
代码如下：
//获取省 、市 、县等的信息 public ArrayList getProvince(String name,String url ,String type) { ArrayList result= new ArrayList(); //"tr.provincetr" String classtype = "tr."+type+"tr"; //从网络上获取网页 // Document doc = this.getHtmlTextByUrl(url); //从本地获取网页,如果没有则从网络获取 Document doc2 = this.getHtmlTextByPath(name,url); System.out.println(name); if(doc2!=null){ Elements es =this.getEleByClass(doc2,classtype); //tr的集合 for(Element e : es) //依次循环每个元素，也就是一个tr { if(e!=null){ for(Element ec : e.children()) //一个tr的子元素td，td内包含a标签 { String[] prv = new String[4]; //身份的信息： 原来的url（当前url） 名称（北京） 现在url（也就是北京的url） 类型（prv）省 if(ec.children().first()!=null) { //原来的url prv[0]=url; //就是参数url //身份名称 System.out.println(ec.children().first().ownText()); prv[1]=ec.children().first().ownText(); //a标签文本 如:北京 //身份url地址 //System.out.println(ec.children().first().attr("href")); //http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2015/index.html String ownurl=ec.children().first().attr("abs:href"); //北京的url //因为如果从本地取得话，会成为本地url，所以保留第一次从网络上的url，保证url不为空 if(ownurl.length()<10) { connectOrcl c = new connectOrcl(); ownurl = c.selectOne(prv[1]); //从数据库中取，这是另一个调用数据库函数，根据名称取url } prv[2]=ownurl; //如：北京自己的url System.out.println(prv[2]); //级别 prv[3]=type; //就是刚刚传的类型，后面会有city 、county等 //将所有身份加入list中 result.add(prv);} }} } } return result; //反回所有的省份信息集合，存数据库，字段类型为： baseurl name ownurl levelname（type） updatetime }
标签：
原文地址：http://www.cnblogs.com/Jims2016/p/5877300.html
