jsoup獲取headercookie,jsoup獲取標籤內容

本文目錄一覽：

• 1、求真正有效的可以模擬登錄新浪微博的java代碼，後續可以用Jsoup進行抓取。急急！！登錄成功馬上給分！
• 2、怎麼用網絡爬蟲獲取數據基於java的
• 3、java的Jsoup登錄有驗證碼網頁獲取登錄後的cookie
• 4、jsoup教程
• 5、最近做java網頁爬蟲用jsoup 寫了一個方法main執行正常 放在action里調用這個方法就不正常求解
• 6、Jsoup 抓取網頁，字符是亂碼，怎麼轉換？跪求拜託了各位 謝謝

求真正有效的可以模擬登錄新浪微博的java代碼，後續可以用Jsoup進行抓取。急急！！登錄成功馬上給分！

package jsoupTest;

import java.io.IOException;

import java.util.ArrayList;

import java.util.HashMap;

import java.util.List;

import java.util.Map;

import org.jsoup.Connection.Method;

import org.jsoup.Connection.Response;

import org.jsoup.Jsoup;

public class JsoupTest {

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

    MapString, String map = new HashMap();

    //map.put請根據自己的微博cookie得到

    Response res = Jsoup.connect(“別人的主頁id”)

        .cookies(map).method(Method.GET).execute();

    String s = res.body();

    System.out.println(s);

    String[] ss = s.split(“scriptFM.view”);

    int i = 0;

    // pl_content_homeFeed

    // pl.content.homeFeed.index

    ListString list = new ArrayList();

    for (String x : ss) {

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

// System.out.println(x.substring(0,

// x.length()  200 ? 200 : x.length()));

// System.out.println(“===========================================”);

      if (x.contains(“\”html\”:\””)) {

        String value = getHtml(x);

        list.add(value);

        System.out.println(value);

      }

    }

    // content=ss[8].split(“\”html\”:\””)[1].replaceAll(“(\\\\t|\\\\n)”,

    // “”).replaceAll(“\\\\\””, “\””).replaceAll(“\\\\/”, “/”);

    // content=content.substring(0,

    // content.length()=13?content.length():content.length()-13);

    // System.out.println(Native2AsciiUtils.ascii2Native(content));

  }

  public static String getHtml(String s) {

    String content = s.split(“\”html\”:\””)[1]

        .replaceAll(“(\\\\t|\\\\n)”, “”).replaceAll(“\\\\\””, “\””)

        .replaceAll(“\\\\/”, “/”);

    content = content.substring(0,

        content.length() = 13 ? content.length()

            : content.length() – 13);

    return Native2AsciiUtils.ascii2Native(content);

  }

怎麼用網絡爬蟲獲取數據基於java的

爬蟲的原理其實就是獲取到網頁內容，然後對其進行解析。只不過獲取的網頁、解析內容的方式多種多樣而已。

你可以簡單的使用httpclient發送get/post請求，獲取結果，然後使用截取字符串、正則表達式獲取想要的內容。

或者使用像Jsoup/crawler4j等這些已經封裝好的類庫，更方便的爬取信息。

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

最近做java網頁爬蟲用jsoup 寫了一個方法main執行正常 放在action里調用這個方法就不正常求解

import java.io.BufferedWriter;

import java.io.FileOutputStream;

import java.io.IOException;

import java.io.OutputStreamWriter;

import java.net.SocketTimeoutException;

import java.net.UnknownHostException;

import org.jsoup.Connection;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

public class JsoupTest {

static String url = “;lkt=1%2C1386588673481%2C1386588673481ie=utf8sst0=1386588674552p=40040100dp=1w=01019900dr=1_asf=;_ast=1386589056query=java網頁爬蟲page=1”;

public static void main(String[] args) {

Document doc = readUrlFist(url);

write(doc);

}

public static void write(Document doc) {

try {

FileOutputStream fos=new FileOutputStream(“C:\\Documents and Settings\\Administrator\\桌面\\a.html”);

OutputStreamWriter osw=new OutputStreamWriter(fos);

BufferedWriter bw=new BufferedWriter(osw);

bw.write(doc.toString());

bw.flush();

fos.close();

osw.close();

bw.close();

} catch (Exception e) {

e.printStackTrace();

}

}

public static Document readUrlFist(String url) {

Document doc = null;

Connection conn = Jsoup.connect(url);

conn.header(

“User-Agent”,

“Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10.4; en-US; rv:1.9.2.2) Gecko/20100316 Firefox/3.6.2 Googlebot/2.1”);

try {

doc = conn.timeout(200 * 1000).get();

} catch (IOException e) {

e.printStackTrace();

if ((e instanceof UnknownHostException)

|| (e instanceof SocketTimeoutException)) {

doc = readUrlFist(url);

}

}

return doc;

}

}

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