本文目錄一覽：
java jsoup怎樣爬取特定網頁內的數據
1、Jsoup簡述
Java中支持的爬蟲框架有很多，比如WebMagic、Spider、Jsoup等。
Jsoup擁有十分方便的api來處理html文檔，比如參考了DOM對象的文檔遍歷方法，參考了CSS選擇器的用法等等，因此我們可以使用Jsoup快速地掌握爬取頁面數據的技巧。
2、快速開始
1)分析HTML頁面，明確哪些數據是需要抓取的
2)使用HttpClient讀取HTML頁面
HttpClient是一個處理Http協議數據的工具，使用它可以將HTML頁面作為輸入流讀進java程序中.
3)使用Jsoup解析html字符串
通過引入Jsoup工具，直接調用parse方法來解析一個描述html頁面內容的字符串來獲得一個Document對象。該Document對象以操作DOM樹的方式來獲得html頁面上指定的內容。
3、保存爬取的頁面數據
1)保存普通數據到數據庫中
將爬取的數據封裝進實體Bean中，並存到數據庫內。
2)保存圖片到服務器上
直接通過下載圖片的方式將圖片保存到服務器本地。
如何使用Java抓取網頁上指定部分的內容
1. 你可以選擇用Java代碼來找到整個網頁的html代碼，如下
(注意在處理網頁方面的內容時，需要導入htmlparser包來支持)
import org.htmlparser.util.ParserException;
import org.htmlparser.visitors.HtmlPage;
import org.htmlparser.Parser;
import org.htmlparser.filters.HasAttributeFilter;
import org.htmlparser.util.NodeList;
public class htmlmover {
public static void main(String[] args){
NodeList rt= getNodeList(“”);
System.out.println(rt.toHtml());
}
public static NodeList getNodeList(String url){
Parser parser = null;
HtmlPage visitor = null;
try {
parser = new Parser(url);
parser.setEncoding(“GBK”);
visitor = new HtmlPage(parser);
parser.visitAllNodesWith(visitor);
} catch (ParserException e) {
e.printStackTrace();
}
NodeList nodeList = visitor.getBody();
return nodeList;
}
}
以上代碼，public static NodeList getNodeList(String url) 為主體
傳入需要分析網頁的 url(String類型)，返回值是網頁Html節點List(Nodelist類型)
這個方法我沒有什麼要說的，剛開始的時候沒看懂（沒接觸過），後來用了幾次也懂點皮毛了
注意： parser.setEncoding(“GBK”); 可能你的工程編碼格式是UTF-8,有錯誤的話需要改動
運行該程序
2.通過瀏覽器工具直接查看 IE是按F12 （剛開始沒發現這個方法，於是傻乎乎地找上面的代碼）
分析你所獲得的html代碼讓人眼花繚亂，不要緊，找到自己需要趴取的內容，找到它上下文有特徵的節點
!–中行牌價 開始–
div id=”sw01_con1″
table width=”655″ border=”0″ cellspacing=”0″ cellpadding=”0″ class=”hgtab”
thead
tr
th width=”85″ align=”center” class=”th_l”交易幣種/th
th width=”80″ align=”center”交易單位/th
th width=”130″ align=”center”現價(人民幣)/th
th width=”80″ align=”center”賣出價/th
th width=”100″ align=”center”現匯買入價/th
th width=”95″ align=”center”現鈔買入價/th
/tr
/thead
tbody
tr align=”center”
td 英鎊/td
td100/td
td992.7/td
td1001.24/td
td993.26/td
td class=”no”962.6/td
/tr
tr align=”center” bgcolor=”#f2f3f4″
td 港幣/td
td100/td
td81.54/td
td82.13/td
td81.81/td
td class=”no”81.16/td
/tr
tr align=”center”
td 美元/td
td100/td
td635.49/td
td639.35/td
td636.8/td
td class=”no”631.69/td
/tr
tr align=”center” bgcolor=”#f2f3f4″
td 瑞士法郎/td
td100/td
td710.89/td
td707.78/td
td702.14/td
td class=”no”680.46/td
/tr
tr align=”center”
td 新加坡元/td
td100/td
td492.45/td
td490.17/td
td486.27/td
td class=”no”471.25/td
/tr
tr align=”center” bgcolor=”#f2f3f4″
td 瑞典克朗/td
td100/td
td93.66/td
td93.79/td
td93.04/td
td class=”no”90.17/td
/tr
tr align=”center”
td 丹麥克朗/td
td100/td
td116.43/td
td115.59/td
td114.67/td
td class=”no”111.13/td
/tr
tr align=”center” bgcolor=”#f2f3f4″
td 挪威克朗/td
td100/td
td110.01/td
td109.6/td
td108.73/td
td class=”no”105.37/td
/tr
!–{2011-10-01 23:16:00}–
/tbody
/table
/div
!–中行牌價 結束–
大家可以看到這是一段很有規律，書寫非常規範的Html代碼（這只是第一部分，中行牌價，可以想像，接下來還會有並列的 相似的3部分）
大家想截取這些節點中的數據
以下代碼仍需導入htmlparser Java支持包
import java.util.ArrayList;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
public class Currencyrate {
public static void main(String[] args){
String url=””;
ArrayListString rt= getNodeList(url);
for (int i = 0; i rt.size(); i++){
System.out.println(rt.get(i));
}
}
public static ArrayListString getNodeList(String url){
final ArrayListString result=new ArrayListString();
Parser parser = null;
NodeList nodeList=null;
try {
parser = new Parser(url);
parser.setEncoding(“GBK”);
nodeList = parser.parse(
new NodeFilter(){
@Override
public boolean accept(Node node){
Node need=node;
if(getStringsByRegex(node.getText())){
for(int i=0;i6;i++){
result.add(need.toPlainTextString()); need=need.getPreviousSibling().getPreviousSibling();
}
return true;
}
return false;
}
}
);
}catch (ParserException e) {
e.printStackTrace();
}
return result;
}
public static boolean getStringsByRegex(String txt) {
String regex=”td class=\”no\””;
Pattern p = Pattern.compile(regex);
Matcher m = p.matcher(txt);
if (m.find()){
return true;
}
return false;
}
}
廢話不多說，
public static ArrayListString getNodeList(String url) 主要方法
parser.setEncoding(“GBK”); 需要注意，代碼編碼格式
nodeList = parser.parse(
new NodeFilter(){
@Override
public boolean accept(Node node){
}
｝
);
nodelist是html節點的列表，現在使用NodeFilter ( 節點過濾器 )實例， 重載NodeFilter類中的accept()方法
在parser這個Parser類訪問整個html頁面的時候，每遇到一個html節點，就會訪問這個
accept()方法，返回True的話就會將這個節點 放進nodelist中，否則就不會將這個節點放進去。這個就是NodeFilter功能。
代碼段一獲取整個html頁面時候 parser.visitAllNodesWith(visitor); 就是獲取所有節點
所以現在我們要趴取網頁上的內容，只要告訴accept()這個方法，哪些節點要放進nodelist去，即 遇到哪些節點需要返回true。
於是
public boolean accept(Node node){
Node need=node;
if(getStringsByRegex(node.getText())){
for(int i=0;i6;i++){
result.add(need.toPlainTextString()); need=need.getPreviousSibling().getPreviousSibling();
}
return true;
}
return false;
}
Parser類在遇到節點，就把這個節點拿過去問accept()，於是accept()方法分析，如果滿足getStringsByRegex(node.getText())就要了
接下來分析getStringsByRegex()，只剩下最後一步了，大家堅持啊！
String regex=”td class=\”no\””;
Pattern p = Pattern.compile(regex);
Matcher m = p.matcher(txt);
if (m.find()){
return true;
}
return false;
}
大家可以發現我們索要的每一段都是
tr align=”center”
td 英鎊/td
td100/td
td992.7/td
td1001.24/td
td993.26/td
td class=”no”962.6/td
/tr
所以只要找到td class=”no”這個節點就行了，我們用正則表達式去比較
String regex=”td class=\”no\””; 這個是比較標準（正則表達式 td class=”no” 其中兩個引號需要作為轉義字符來表示 成\“ ）
變量txt是我們傳過去的需要比較的節點的node.getText()，如果符合的話m.find就是true,於是getStringsByRegex()返回true，說明這個節點就是我們所需要的哪些節點，於是
for(int i=0;i6;i++){
result.add(need.toPlainTextString()); need=need.getPreviousSibling().getPreviousSibling();
}
每一段html，6個為一組，先是962.6，然後是993.26，1001.24，992.7，100，英鎊分別被add進result這個ArrayListString中去，返回，這個ArrayList裝的就是我們需要抓取的數據
大家可以把我們所獲得的String數據數出來試試看，是不是我們需要的順序，main()函數獲得ArrayListString，就可以顯示到我們所需要的Java widget上去了
如何通過Java代碼實現對網頁數據進行指定抓取
通過Java代碼實現對網頁數據進行指定抓取方法步驟如下：
1在工程中導入Jsoup.jar包
2獲取網址url指定HTML或者文檔指定的body
3獲取網頁中超鏈接的標題和鏈接
4獲取指定博客文章的內容
5獲取網頁中超鏈接的標題和鏈接的結果
原創文章，作者：小藍，如若轉載，請註明出處：https://www.506064.com/zh-hant/n/280673.html
微信掃一掃 
支付寶掃一掃 