jsoup爬虫简书首页数据做个小Demo

时间：2019-10-11 23:23:35 阅读：234 评论：0 收藏：0 [点我收藏+]

标签：upload 今日头条 ken https 图片 primary data 访问 fir

昨天LZ去面试，遇到一个大牛，被血虐一番，发现自己基础还是很薄弱，对java一些原理掌握的还是不够稳固，比如java反射注解，知道一点就是说不出来，很尴尬… 生命不止，学习不止啊

之前那个项目 QNews 用的是的第三方的数据平台，所以访问次数会有限制，这就很无奈。。。

我的博客地址

技术图片

每天只能请求100次….但是LZ这个穷屌丝也买不起服务器，所以就上网查，有什么别的方法可以获取数据，意外之间发现了jsoup这个强大的框架，就花了上午时间学习了一下，然后下午做了一个小Demo，功能比较单一，请见谅。

其实一开始的时候是想爬今日头条的数据，但是发现数据总是为空，我估计是上锁了… 然后就把矛头转向了简书，哈哈哈…果然简书就是好，数据直接就可以爬到了，好开心啊！！

先演示一波动态图：

技术图片

话说这个布局就花了我半个小时…

一些基础的我就不说了，就简单说明一下我的数据是如何爬到的。可以直接去看一下我的源码，写的比较仓促，一些细节没有处理好，多多指教。

1. 相关资料

官方文档

中文文档

2. 添加依赖

compile 'org.jsoup:jsoup:1.9.2'

3. 打开简书首页

技术图片

在单个部分上右击，然后点击检查选项(我用的是QQ浏览器，其他未尝试)，底部就会跳出网页的源码，并且会跟踪到这个item对应的源码。

从上图可以大概了解到每个<li></li>标签里的内容就是我们每个item的信息。

2. 爬数据

1. 获取 `Document` 对象

Document document = Jsoup.connect("http://www.jianshu.com/")
                         .timeout(10000)
                         .get();

这里通过建立与服务器的链接，并设置10s的超时连接来获取 Document 对象

2. 获取跟标签的 `Elements` 对象

技术图片

Elements noteList = document.select("ul.note-list");
Elements li = noteList.select("li");

找到文章列表模块，发现 <ul class="note-list></ul> 是我们需要信息的跟标签。通过 select 方法查询节点所有信息。

for (Element element : li) {
    ...
}

下面全部都是 li标签的列表，里面的内容大致相似，我们就可以通过循环来遍历里面的信息。

3. 获取每个部分所有信息

因为信息比较多，我就选择比较有代表性的来将一下。

有个非常简单的方式：直接在你需要获取内容的部分右击，点击检查，就可以直接追踪到要查询的位置。

技术图片

1. 标题

就拿标题而言，直接在标题右击–>检查，即可，一目了然。然后我把数据截图一下。

技术图片

String title = element.select("a.title").text()

通过 select 查询节点信息，然后.text 获取里面文本内容。

2. 头像：

技术图片

String avatar = element.select("a.avatar").select("img").attr("src")

这个就是先找到头像节点，然后图片节点，最后通过 attr 获取图片 url

3. 首页链接

技术图片

String authorLink = element.select("a.blue-link").attr("abs:href")

这里注意 href 元素，他存放的就是跳转链接，不过是相对路径，这个时候就需要通过 attr("abs:href") 获取绝对路径。

其他就大同小异，其实我知道也就这么多，也是不断尝试通过打印得出来的，还是比较心酸的，比较没学过 js，不过对 js 挺有兴趣的。

3. 封装

剩下的就是将获取到的数据加载到bean对象中

1. 创建 bean 对象

public class JianshuBean {
    private String authorName;          // 作者
    private String authorLink;          // 作者链接
    private String time;                // 更新时间
    private String primaryImg;          // 主图
    private String avatarImg;           // 头像

    private String title;               // 标题
    private String titleLink;           // 标题链接
    private String content;             // 内容
    private String collectionTagLink;   // 专题链接
    private String readNum;             // 阅读量

    private String talkNum;             // 评论
    private String likeNum;             // 喜欢
    private String collectionTag;       // 专题

    // ... get set
}

2. 将获取到的数据添加到集合中

for (Element element : li) {
    JianshuBean bean = new JianshuBean();
    bean.setAuthorName(element.select("div.name").text()); // 作者姓名
    bean.setAuthorLink(element.select("a.blue-link").attr("abs:href")); // 作者首页链接
    bean.setTime(element.select("span.time").attr("data-shared-at"));   // 发表时间
    bean.setPrimaryImg(element.select("img").attr("src"));  // 主图
    bean.setAvatarImg(element.select("a.avatar").select("img").attr("src")); // 头像

    bean.setTitle(element.select("a.title").text());    // 标题
    bean.setTitleLink(element.select("a.title").attr("abs:href")); // 标题链接

    bean.setContent(element.select("p.abstract").text());       // 内容
    bean.setCollectionTagLink(element.select("a.collection-tag").attr("abs:href")); // 专题链接

    String[] text = element.select("div.meta").text().split(" ");
    if (text[0].matches("[0-9]+")) {
        bean.setReadNum(text[0]);
        bean.setTalkNum(text[1]);
        bean.setLikeNum(text[2]);
    } else {
        bean.setCollectionTag(text[0]);
        bean.setReadNum(text[1]);
        bean.setTalkNum(text[2]);
        bean.setLikeNum(text[3]);

    }
    mBeans.add(bean);
}

再来看一下效果：

技术图片

项目地址