jsoup设置cookie,jsoup修改html内容

本文目录一览：

• 1、java的Jsoup登录有验证码网页获取登录后的cookie
• 2、Jsoup或者HttpClient抓取web页面时，data，userAgent，cookie()，timeout()，post();为什么要设置这些？
• 3、jsoup教程
• 4、jsoup抓取dopostback的网页错误 是不是BODY出什么问题
• 5、Jsoup 请求链接含中文乱码
• 6、Jsoup 抓取网页，字符是乱码，怎么转换？跪求拜托了各位 谢谢

java的Jsoup登录有验证码网页获取登录后的cookie

首先是jar仓库：

dependency

groupIdorg.seleniumhq.selenium/groupId

artifactIdselenium-java/artifactId

version[3.0.1,)/version//获取最新的版本库

/dependency

dependency

groupIdorg.jsoup/groupId

artifactIdjsoup/artifactId

version1.8.2/version

typejar/type

/dependency

代码：

public static void getIndex2() {

//之前运行程序发现生成了N多个chrome driver进程，搞不懂为什么会有那么多进程产生，网上查了下，说起这个service有用，拿来试下，效果未知

ChromeDriverService service = new

ChromeDriverService.Builder().usingDriverExecutable(new

File(“./driver/chromedriver.exe”)).usingAnyFreePort().build();

try {

service.start();

} catch (IOException ex) {

Logger.getLogger(kechengbiaoIndex.class.getName()).log(Level.SEVERE, null, ex);

}

//end

//正式开始

//先定义浏览器驱动，我用chrome浏览器，网上下载一个chromedriver.exe，启动时需要加载

System.getProperties().setProperty(“webdriver.chrome.driver”, “./driver/chromedriver.exe”);

Jsoup或者HttpClient抓取web页面时，data，userAgent，cookie()，timeout()，post();为什么要设置这些？

userAgent让服务器感觉访问者更像一个真实的浏览器在访问，cookie是看服务器需不需要,timeout还需要解释吗，你不设置有一个默认的超时时间

jsoup教程

jsoup是一款Java的HTML解析器，主要用来对HTML解析。 官网 中文文档

在爬虫的时候，当我们用HttpClient之类的框架，获取到网页源码之后，需要从网页源码中取出我们想要的内容，

就可以使用jsoup这类HTML解析器了。可以非常轻松的实现。

虽然jsoup也支持从某个地址直接去爬取网页源码，但是只支持HTTP，HTTPS协议，支持不够丰富。

所以，主要还是用来对HTML进行解析。

◆其中，要被解析的HTML可以是一个HTML的字符串，可以是一个URL，可以是一个文件。

org.jsoup.Jsoup把输入的HTML转换成一个org.jsoup.nodes.Document对象，然后从Document对象中取出想要的元素。

org.jsoup.nodes.Document继承了org.jsoup.nodes.Element，Element又继承了org.jsoup.nodes.Node类。里面提供了丰富的方法来获取HTML的元素。

◇从URL获取HTML来解析

其中Jsoup.connect(“xxx”)方法返回一个org.jsoup.Connection对象。

在Connection对象中，我们可以执行get或者post来执行请求。但是在执行请求之前，

我们可以使用Connection对象来设置一些请求信息。比如：头信息，cookie，请求等待时间，代理等等来模拟浏览器的行为。

◆获得Document对象后，接下来就是解析Document对象，并从中获取我们想要的元素了。

Document中提供了丰富的方法来获取指定元素。

◇使用DOM的方式来取得

getElementById(String id)：通过id来获取

getElementsByTag(String tagName)：通过标签名字来获取

getElementsByClass(String className)：通过类名来获取

getElementsByAttribute(String key)：通过属性名字来获取

getElementsByAttributeValue(String key, String value)：通过指定的属性名字，属性值来获取

getAllElements()：获取所有元素

◇通过类似于css或jQuery的选择器来查找元素

使用的是Element类的下记方法：

public Elements select(String cssQuery)

通过传入一个类似于CSS或jQuery的选择器字符串，来查找指定元素。

例子：

选择器的更多语法(可以在org.jsoup.select.Selector中查看到更多关于选择器的语法)：

tagname: 通过标签查找元素，比如：a

ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 fb:name 元素

#id: 通过ID查找元素，比如：#logo

.class: 通过class名称查找元素，比如：.masthead

[attribute]: 利用属性查找元素，比如：[href]

[^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素

[attr=value]: 利用属性值来查找元素，比如：[width=500]

[attr^=value], [attr$=value], [attr=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href=/path/]

[attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i).(png|jpe?g)]

*: 这个符号将匹配所有元素

Selector选择器组合使用

el#id: 元素+ID，比如： div#logo

el.class: 元素+class，比如： div.masthead

el[attr]: 元素+class，比如： a[href]

任意组合，比如：a[href].highlight

ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在”body”元素下的所有 p元素

parent child: 查找某个父元素下的直接子元素，比如：可以用div.content p 查找 p 元素，也可以用body * 查找body标签下所有直接子元素

siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div

siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p

el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo

伪选择器selectors

:lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素

:gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素

:eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素

:has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素

:not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class=”logo” 元素的所有 div 列表

:contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)

:containsOwn(text): 查找直接包含给定文本的元素

:matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)

:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素

注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等

◆通过上面的选择器，我们可以取得一个Elements对象，它继承了ArrayList对象，里面放的全是Element对象。

接下来我们要做的就是从Element对象中，取出我们真正需要的内容。

通常有下面几种方法：

◇Element.text()

这个方法用来取得一个元素中的文本。

◇Element.html()或Node.outerHtml()

这个方法用来取得一个元素中的html内容

◇Node.attr(String key)

获得一个属性的值，例如取得超链接a href=””中href的值

json字符串-数组类型与JSONArray之间的转换

复杂json格式字符串与JSONObject之间的转换

jsoup抓取dopostback的网页错误 是不是BODY出什么问题

在Java 程序在解析HTML 文档时，大家应该晓得htmlparser 这个开源项目，我也是使用过，不过这个程序到了2006年就没有更新了。由于我的基础较差，对于扩展自定义的标签还是不太懂，还是有超时问题困扰，去在约上找个专家咨询了下，使用起来还是很容易上手的。下面写些使用心得：

jsoup is a Java library for working with real-world HTML. It provides a very convenient API for extracting and manipulating data, using the best of DOM, CSS, and jQuery-like methods.

jsuop是一款java的html解析器，提供一套非常省力的API，通过dom模型css和类似于jquery的方式来获取和操作数据。

功能：1.解析一个Html文档，2.解析一个body片段

Java代码

String html = “htmlheadtitleFirst parse/title/head”

+ “bodypParsed HTML into a doc./p/body/html”;

Document doc = Jsoup.parse(html);//分析文档，使用doc.toString()可以转为文本

Element body=doc.body();//获取body片段，使用body.toString()可以转为文本

获取方式：1.从本地文件加载 2.根据url地址获取

Java代码

/**使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法

*其中baseUri参数用于解决文件中URLs是相对路径的问题。

*如果不需要可以传入一个空的字符串。

*/

File input = new File(“/tmp/input.html”);

Document doc = Jsoup.parse(input, “UTF-8”, “”);

Java代码

/**

*根据url直接获取内容，可以加入超时，get方法不行，就用post方法

*我在实际应用中，出现404,405,504等错误信息

*将get改为post就可以，或者反过来改

*如果等以后弄明白了，再来解释清楚

*/

Document doc1 = Jsoup.connect(“”).get();

String title = doc1.title(); //获取网页的标题

String content=doc1.toString();//将网页转为文本

Document doc2 = Jsoup.connect(“”)

.data(“query”, “Java”)//请求参数

.userAgent(“Mozilla”)//设置urer-agent

.cookie(“auth”, “token”)//设置cookie

.timeout(50000)//设置连接超时

.post();//或者改为get

经过我的测试使用，jsoup分析网页结构和内容的功能远远强大于HtmlParser,无论是获取整个页面的文本，还是分析特定内容的网页结构，都是十分的方便。

附上链接：jsoup官网： ，中文jsoup：

下面写些我的使用记录，希望大家如果能从我的方法中得到启发，鉴于本人从事开发工作不久，内容可能写的不是很好。

jsoup数据获取有两大方法：1.通过分析dom模型的网页标签和元素，2.select元素选择器，类似jquery方式（功能很强大，还支持正则表达式）。网页tag标签有body，div，table，tr，td，a，等等。元素的属性有，href，title，width，height，color等等，元素属性的值就是，例如：href=“”, 值就是 。width=“98%” 值就是98%

下面就以分析首页的每日资讯为例，抓取每日资讯的标题和url地址，详细写出分析步骤：

1.用chrome浏览器的元素审查，分析页面的结构，得到每日资讯是div class=main_left层里面

2.写程序分析，首先根据url获取div文本，再来根据文本对内容进行分析

Java代码

3. 根据整个每日资讯所在的div层，获取那段内容（精确获取）

Java代码

4.根据获取的目标层得到你所要的内容（title，url地址…等等）

Java代码

5.加入main方法里面执行测试

Java代码

6.附上结束语：jsoup功能很好很强大，附上的只是简单的使用方法，还有很多需要完善的内容，我其实使用也不到几天的时间。还有就是select功能还是很好用的，具体参考官方文档，写的非常的通俗易懂

感兴趣的也可以试试htmlcleaner+xpath的组合

/**

* @method 测试获取内容程序

*/

public static void main(String[] args) throws IOException {

/**

* 执行分析程序

*/

String url=””;

String HtmlContent=getContentByJsoup(url);

String divContent=getDivContentByJsoup(HtmlContent);

getLinksByJsoup(divContent);

}

/**

* 使用jsoup分析divContent

* 1.获取链接 2.获取url地址（绝对路径）

*/

public static void getLinksByJsoup(String divContent){

String abs=””;

Document doc=Jsoup.parse(divContent,abs);

Elements linkStrs=doc.getElementsByTag(“li”);

System.out.println(“链接===”+linkStrs.size());

for(Element linkStr:linkStrs){

String url=linkStr.getElementsByTag(“a”).attr(“abs:href”);

String title=linkStr.getElementsByTag(“a”).text();

System.out.println(“标题:”+title+” url:”+url);

}

}

/**

* 使用jsoup来对文档分析

* 获取目标内容所在的目标层

* 这个目标层可以是div，table，tr等等

*/

public static String getDivContentByJsoup(String content){

String divContent=””;

Document doc=Jsoup.parse(content);

Elements divs=doc.getElementsByClass(“main_left”);

divContent=divs.toString();

//System.out.println(“div===”+divContent);

return divContent;

}

/**

* 根据jsoup方法获取htmlContent

* 加入简单的时间记录

* @throws IOException

*/

public static String getContentByJsoup(String url){

String content=””;

try {

System.out.println(“time=====start”);

Date startdate=new Date();

Document doc=Jsoup.connect(url)

.data(“jquery”, “java”)

.userAgent(“Mozilla”)

.cookie(“auth”, “token”)

.timeout(50000)

.get();

Date enddate=new Date();

Long time=enddate.getTime()-startdate.getTime();

System.out.println(“使用Jsoup耗时==”+time);

System.out.println(“time=====end”);

content=doc.toString();//获取iteye网站的源码html内容

System.out.println(doc.title());//获取iteye网站的标题

} catch (IOException e) {

e.printStackTrace();

}

System.out.println(content);

return content;

}

Jsoup 请求链接含中文乱码

这不是乱码吧 这是经过urlencode过后的编码。你网上自己找个url编码 输个中文字符然后编码下。

Jsoup 抓取网页，字符是乱码，怎么转换？跪求拜托了各位 谢谢

1.从url加载一个页面：Document doc = Jsoup.connect(” ” ).get();2.从url加载页面同时加载该页面上的链接页面：Document doc=Jsoup.connect(url).data(“query”, “Java”)// 请求参数.userAgent(“my jsoup”)// 设置 User-Agent.cookie(“auth”, “token”)// 设置 cookie.timeout(3000)// 设置连接超时时间.get();3.本地一个html文件：File input = new File(“/tmp/input.html”);Document doc = Jsoup.parse(input, “UTF-8″, ” ” ); 查看原帖