jsoup設置cookie,jsoup修改html內容

本文目錄一覽：

• 1、java的Jsoup登錄有驗證碼網頁獲取登錄後的cookie
• 2、Jsoup或者HttpClient抓取web頁面時，data，userAgent，cookie()，timeout()，post();為什麼要設置這些？
• 3、jsoup教程
• 4、jsoup抓取dopostback的網頁錯誤 是不是BODY出什麼問題
• 5、Jsoup 請求鏈接含中文亂碼
• 6、Jsoup 抓取網頁，字符是亂碼，怎麼轉換？跪求拜託了各位 謝謝

java的Jsoup登錄有驗證碼網頁獲取登錄後的cookie

首先是jar倉庫：

dependency

groupIdorg.seleniumhq.selenium/groupId

artifactIdselenium-java/artifactId

version[3.0.1,)/version//獲取最新的版本庫

/dependency

dependency

groupIdorg.jsoup/groupId

artifactIdjsoup/artifactId

version1.8.2/version

typejar/type

/dependency

代碼：

public static void getIndex2() {

//之前運行程序發現生成了N多個chrome driver進程，搞不懂為什麼會有那麼多進程產生，網上查了下，說起這個service有用，拿來試下，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

//正式開始

//先定義瀏覽器驅動，我用chrome瀏覽器，網上下載一個chromedriver.exe，啟動時需要加載

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

Jsoup或者HttpClient抓取web頁面時，data，userAgent，cookie()，timeout()，post();為什麼要設置這些？

userAgent讓服務器感覺訪問者更像一個真實的瀏覽器在訪問，cookie是看服務器需不需要,timeout還需要解釋嗎，你不設置有一個默認的超時時間

jsoup教程

jsoup是一款Java的HTML解析器，主要用來對HTML解析。 官網 中文文檔

在爬蟲的時候，當我們用HttpClient之類的框架，獲取到網頁源碼之後，需要從網頁源碼中取出我們想要的內容，

就可以使用jsoup這類HTML解析器了。可以非常輕鬆的實現。

雖然jsoup也支持從某個地址直接去爬取網頁源碼，但是只支持HTTP，HTTPS協議，支持不夠豐富。

所以，主要還是用來對HTML進行解析。

◆其中，要被解析的HTML可以是一個HTML的字符串，可以是一個URL，可以是一個文件。

org.jsoup.Jsoup把輸入的HTML轉換成一個org.jsoup.nodes.Document對象，然後從Document對象中取出想要的元素。

org.jsoup.nodes.Document繼承了org.jsoup.nodes.Element，Element又繼承了org.jsoup.nodes.Node類。裡面提供了豐富的方法來獲取HTML的元素。

◇從URL獲取HTML來解析

其中Jsoup.connect(“xxx”)方法返回一個org.jsoup.Connection對象。

在Connection對象中，我們可以執行get或者post來執行請求。但是在執行請求之前，

我們可以使用Connection對象來設置一些請求信息。比如：頭信息，cookie，請求等待時間，代理等等來模擬瀏覽器的行為。

◆獲得Document對象後，接下來就是解析Document對象，並從中獲取我們想要的元素了。

Document中提供了豐富的方法來獲取指定元素。

◇使用DOM的方式來取得

getElementById(String id)：通過id來獲取

getElementsByTag(String tagName)：通過標籤名字來獲取

getElementsByClass(String className)：通過類名來獲取

getElementsByAttribute(String key)：通過屬性名字來獲取

getElementsByAttributeValue(String key, String value)：通過指定的屬性名字，屬性值來獲取

getAllElements()：獲取所有元素

◇通過類似於css或jQuery的選擇器來查找元素

使用的是Element類的下記方法：

public Elements select(String cssQuery)

通過傳入一個類似於CSS或jQuery的選擇器字符串，來查找指定元素。

例子：

選擇器的更多語法(可以在org.jsoup.select.Selector中查看到更多關於選擇器的語法)：

tagname: 通過標籤查找元素，比如：a

ns|tag: 通過標籤在命名空間查找元素，比如：可以用 fb|name 語法來查找 fb:name 元素

#id: 通過ID查找元素，比如：#logo

.class: 通過class名稱查找元素，比如：.masthead

[attribute]: 利用屬性查找元素，比如：[href]

[^attr]: 利用屬性名前綴來查找元素，比如：可以用[^data-] 來查找帶有HTML5 Dataset屬性的元素

[attr=value]: 利用屬性值來查找元素，比如：[width=500]

[attr^=value], [attr$=value], [attr=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素，比如：[href=/path/]

[attr~=regex]: 利用屬性值匹配正則表達式來查找元素，比如： img[src~=(?i).(png|jpe?g)]

*: 這個符號將匹配所有元素

Selector選擇器組合使用

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]

任意組合，比如：a[href].highlight

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

parent child: 查找某個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標籤下所有直接子元素

siblingA + siblingB: 查找在A元素之前第一個同級元素B，比如：div.head + div

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

el, el, el:多個選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo

偽選擇器selectors

:lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對於它的父節點）小於n，比如：td:lt(3) 表示小於三列的元素

:gt(n):查找哪些元素的同級索引值大於n，比如： div p:gt(2)表示哪些div中有包含2個以上的p元素

:eq(n): 查找哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個input標籤的Form元素

:has(seletor): 查找匹配選擇器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素

:not(selector): 查找與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 class=”logo” 元素的所有 div 列表

:contains(text): 查找包含給定文本的元素，搜索不區分大不寫，比如： p:contains(jsoup)

:containsOwn(text): 查找直接包含給定文本的元素

:matches(regex): 查找哪些元素的文本匹配指定的正則表達式，比如：div:matches((?i)login)

:matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素

注意：上述偽選擇器索引是從0開始的，也就是說第一個元素索引值為0，第二個元素index為1等

◆通過上面的選擇器，我們可以取得一個Elements對象，它繼承了ArrayList對象，裡面放的全是Element對象。

接下來我們要做的就是從Element對象中，取出我們真正需要的內容。

通常有下面幾種方法：

◇Element.text()

這個方法用來取得一個元素中的文本。

◇Element.html()或Node.outerHtml()

這個方法用來取得一個元素中的html內容

◇Node.attr(String key)

獲得一個屬性的值，例如取得超鏈接a href=””中href的值

json字符串-數組類型與JSONArray之間的轉換

複雜json格式字符串與JSONObject之間的轉換

jsoup抓取dopostback的網頁錯誤 是不是BODY出什麼問題

在Java 程序在解析HTML 文檔時，大家應該曉得htmlparser 這個開源項目，我也是使用過，不過這個程序到了2006年就沒有更新了。由於我的基礎較差，對於擴展自定義的標籤還是不太懂，還是有超時問題困擾，去在約上找個專家諮詢了下，使用起來還是很容易上手的。下面寫些使用心得：

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，通過dom模型css和類似於jquery的方式來獲取和操作數據。

功能：1.解析一個Html文檔，2.解析一個body片段

Java代碼

String html = “htmlheadtitleFirst parse/title/head”

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

Document doc = Jsoup.parse(html);//分析文檔，使用doc.toString()可以轉為文本

Element body=doc.body();//獲取body片段，使用body.toString()可以轉為文本

獲取方式：1.從本地文件加載 2.根據url地址獲取

Java代碼

/**使用靜態 Jsoup.parse(File in, String charsetName, String baseUri) 方法

*其中baseUri參數用於解決文件中URLs是相對路徑的問題。

*如果不需要可以傳入一個空的字符串。

*/

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

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

Java代碼

/**

*根據url直接獲取內容，可以加入超時，get方法不行，就用post方法

*我在實際應用中，出現404,405,504等錯誤信息

*將get改為post就可以，或者反過來改

*如果等以後弄明白了，再來解釋清楚

*/

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

String title = doc1.title(); //獲取網頁的標題

String content=doc1.toString();//將網頁轉為文本

Document doc2 = Jsoup.connect(“”)

.data(“query”, “Java”)//請求參數

.userAgent(“Mozilla”)//設置urer-agent

.cookie(“auth”, “token”)//設置cookie

.timeout(50000)//設置連接超時

.post();//或者改為get

經過我的測試使用，jsoup分析網頁結構和內容的功能遠遠強大於HtmlParser,無論是獲取整個頁面的文本，還是分析特定內容的網頁結構，都是十分的方便。

附上鏈接：jsoup官網： ，中文jsoup：

下面寫些我的使用記錄，希望大家如果能從我的方法中得到啟發，鑒於本人從事開發工作不久，內容可能寫的不是很好。

jsoup數據獲取有兩大方法：1.通過分析dom模型的網頁標籤和元素，2.select元素選擇器，類似jquery方式（功能很強大，還支持正則表達式）。網頁tag標籤有body，div，table，tr，td，a，等等。元素的屬性有，href，title，width，height，color等等，元素屬性的值就是，例如：href=“”, 值就是 。width=“98%” 值就是98%

下面就以分析首頁的每日資訊為例，抓取每日資訊的標題和url地址，詳細寫出分析步驟：

1.用chrome瀏覽器的元素審查，分析頁面的結構，得到每日資訊是div class=main_left層裡面

2.寫程序分析，首先根據url獲取div文本，再來根據文本對內容進行分析

Java代碼

3. 根據整個每日資訊所在的div層，獲取那段內容（精確獲取）

Java代碼

4.根據獲取的目標層得到你所要的內容（title，url地址…等等）

Java代碼

5.加入main方法裡面執行測試

Java代碼

6.附上結束語：jsoup功能很好很強大，附上的只是簡單的使用方法，還有很多需要完善的內容，我其實使用也不到幾天的時間。還有就是select功能還是很好用的，具體參考官方文檔，寫的非常的通俗易懂

感興趣的也可以試試htmlcleaner+xpath的組合

/**

* @method 測試獲取內容程序

*/

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

/**

* 執行分析程序

*/

String url=””;

String HtmlContent=getContentByJsoup(url);

String divContent=getDivContentByJsoup(HtmlContent);

getLinksByJsoup(divContent);

}

/**

* 使用jsoup分析divContent

* 1.獲取鏈接 2.獲取url地址（絕對路徑）

*/

public static void getLinksByJsoup(String divContent){

String abs=””;

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

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

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

for(Element linkStr:linkStrs){

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

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

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

}

}

/**

* 使用jsoup來對文檔分析

* 獲取目標內容所在的目標層

* 這個目標層可以是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;

}

/**

* 根據jsoup方法獲取htmlContent

* 加入簡單的時間記錄

* @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耗時==”+time);

System.out.println(“time=====end”);

content=doc.toString();//獲取iteye網站的源碼html內容

System.out.println(doc.title());//獲取iteye網站的標題

} catch (IOException e) {

e.printStackTrace();

}

System.out.println(content);

return content;

}

Jsoup 請求鏈接含中文亂碼

這不是亂碼吧 這是經過urlencode過後的編碼。你網上自己找個url編碼 輸個中文字符然後編碼下。

Jsoup 抓取網頁，字符是亂碼，怎麼轉換？跪求拜託了各位 謝謝

1.從url加載一個頁面：Document doc = Jsoup.connect(” ” ).get();2.從url加載頁面同時加載該頁面上的鏈接頁面：Document doc=Jsoup.connect(url).data(“query”, “Java”)// 請求參數.userAgent(“my jsoup”)// 設置 User-Agent.cookie(“auth”, “token”)// 設置 cookie.timeout(3000)// 設置連接超時時間.get();3.本地一個html文件：File input = new File(“/tmp/input.html”);Document doc = Jsoup.parse(input, “UTF-8″, ” ” ); 查看原帖