如何使用Jsoup爬取网页内容

前言：

这是一篇迟到很久的文章了，人真的是越来越懒，前一阵用jsoup实现了一个功能，个人觉得和selenium的webdriver原理类似，所以今天正好有时间，就又来更新分享了。

实现场景：

爬取博客园文章列表中标题、链接、发布时间及阅读量

 

思路：

1、引入jar包

2、通过httpclient，设置参数，代理，建立连接，获取HTML文档（响应信息）

3、将获取的响应信息，转换成HTML文档为Document对象

4、使用jQuery定位方式，这块就和web自动化一样了定位获取文本及相关属性

相关详细使用参考官网：https://jsoup.org/

实现：

 

 1、引入依赖

<dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.10.3</version>
        </dependency>
        <dependency>
            <groupId>commons-httpclient</groupId>
            <artifactId>commons-httpclient</artifactId>
            <version>3.1</version>
</dependency>

2、通过httpclient，设置参数，代理，建立连接，获取HTML文档（响应信息）

        String requestUrl = "https://www.cnblogs.com/longronglang/";
        HttpClient client = new HttpClient();
        HttpClientParams clientParams = client.getParams();
        clientParams.setContentCharset("UTF-8");
        GetMethod method = new GetMethod(requestUrl);
        String response =method.getResponseBodyAsString();

3、将获取的响应信息，转换成HTML文档为Document对象

  Document document = Jsoup.parse(response);

4、使用jQuery定位方式，这块就和web自动化一样了定位获取文本及相关属性

这里可以仔细看下，也可以说是核心思路了，如下图：

 

 从图中可以看到，文章标题在在a标签中，也就是通过class属性为postTitle2进行绑定，那么我们的dom对象就定位到这里即可，那么我想获取文章标题这个dom对象，可以写成如下代码：

 Elements postItems = document.getElementsByClass("postTitle2");

同理，获取发布时间及阅读量，也可以写成如下代码：

 Elements readcontexts = document.getElementsByClass("postDesc");

最后我们来段整合的代码如下：

import org.apache.commons.httpclient.HttpClient;
import org.apache.commons.httpclient.HttpStatus;
import org.apache.commons.httpclient.methods.GetMethod;
import org.apache.commons.httpclient.params.HttpClientParams;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;
import org.junit.Test;

import java.io.IOException;

public class JsoupTest {

    @Test
    public void test() {
        String requestUrl = "https://www.cnblogs.com/longronglang/";
        HttpClient client = new HttpClient();
        HttpClientParams clientParams = client.getParams();
        clientParams.setContentCharset("UTF-8");
        GetMethod method = new GetMethod(requestUrl);
        String response = null;
        int code = 0;
        try {
            code = client.executeMethod(method);
            response = method.getResponseBodyAsString();
            if (code == HttpStatus.SC_OK) {
                Document document = Jsoup.parse(response);
                Elements postItems = document.getElementsByClass("postTitle2");
                Elements readcontexts = document.getElementsByClass("postDesc");
                for (int i = 0; i < postItems.size(); i++) {
                    System.out.println("文章标题:" + postItems.get(i).text());
                    System.out.println("文章地址:" + postItems.get(i).attr("href"));
                    System.out.println("发布信息:" + readcontexts.get(i).text());
                }
            } else {
                System.out.println("返回状态不是200,可能需要登录或者授权，亦或者重定向了！");
            }
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

运行结果如下：

到此，一个爬虫搞完，这里只事抛砖引用，有兴趣的同学，请自行扩展。