jsoup攜帶cookie（jsoup怎麼用）

本文目錄一覽：

• 1、jsoup教程
• 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、使用OkHttp進行重定向攔截處理
• 4、java的Jsoup登錄有驗證碼網頁獲取登錄後的cookie

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的字元串，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的選擇器字元串，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字元串-數組類型與JSONArray之間的轉換

複雜json格式字元串與JSONObject之間的轉換

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

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

使用OkHttp進行重定向攔截處理

網上有很多的OkHttp的教程，但是並沒有一個是關於如何OkHttp處理重定向的。這裡的處理重定向的意思是：把重定向請求攔截下來，然後我們自己去請求重定向後的網頁，然後通過Jsoup解析自己需要的網頁數據。比如說我們模擬用戶登錄，然後自己去請求解析登陸後跳轉的網頁的內容。為什麼要做這樣的一個東西呢？比如說課程表的查成績功能，就可以使用這種方法來獲取成績。

大概的原理是怎樣的呢？

我們先來說一下瀏覽器是怎麼樣做用戶登錄的：瀏覽器會將你輸入的帳號和密碼通過POST請求攜帶過去，當然可能還會有其它欄位，因為這個POST請求是我們網頁和伺服器規定好的；登錄成功後，伺服器會返回一個 Set-Cookie 請求頭欄位，有了Cookie瀏覽器就可以通過GET請求訪問登錄後的網頁，注意沒有這個Cookie是無法請求登陸後的網頁的，GET請求必須設置Cookie請求頭欄位，將伺服器返回的Cookie攜帶過去。

明白了瀏覽器的行為之後，我們知道需要做的步驟就是4步：

我們需要通過抓包或者Chorme瀏覽器自帶的請求查看功能來查看POST請求提交的表單是怎樣的。Chorme按F12即可

輸入帳號密碼點擊登錄即可

點擊登陸後我們可以看到，控制面板出現了一堆訪問的記錄，第一個就是我們要找的，第一個的Status標誌是302，302是重定向的意思。我們點擊(pass.asp)這個請求，然後查看它的POST的請求頭(點擊Headers)。

我們看到了一堆的Set-Cookie欄位，欄位對應的內容就是我們要攜帶做GET請求的

同時我們可以看到POST提交的表單內容，有些網站的提交參數是經過加密的，如果要做通用的，我們需要找到它加密的方法，做同樣的加密處理。

接下來使用OkHttp進行操作

由於OkHttp提供了自動攜帶Cookie進行請求的功能，於是我們可以很方便地進行處理了。

為什麼設置CookieJar就能自動攜帶Cookie了呢？給你看一段OkHttp的源碼就知道了。

於是接下來我們就是做POST請求了

拿到內容後就可以自己進行內容的解析和展示了。

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，啟動時需要載入

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