jsoup爬虫工具的简单使用

jsoup爬虫工具的使用：

  *需要的jar包 --> Jsoup*

解决方案：
1.通过url 获得doucment对象，
2.调用select()等方法获得Elements对象，
3.调用.text()等方法，获得自己想要的内容。

以下是第一步的三种方法，其中第一种是jsoup的提供的方法，二三两种是java自带的方法，
只是在方法结尾处用到了jsoup的Jsoup.parse()方法将String类型的对象转化为Document对象，方便二三步骤使用Jsoup的解析。
1.1

public Document getDoc (String url){
    try {
        Document  doc = Jsoup.connect(url)
                .header("Accept-Encoding", "gzip, deflate")  
                .userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0)Gecko/20100101 Firefox/23.0")  
                .maxBodySize(0)  
                .timeout(600000000)  
                .get();
        return doc;
    } catch (IOException e) {
        e.printStackTrace();
        return null;
    }
}

1.2

public Document getDoc(String  str) throws Exception    {
    URL url = new URL(str);
    HttpURLConnection conn = (HttpURLConnection)url.openConnection();
    conn.setRequestMethod("GET");
    conn.setConnectTimeout(5 * 1000);
    InputStream inStream =  conn.getInputStream();
    byte[] data = readInputStream(inStream);
    String htmlSource = new String(data);
    return Jsoup.parse(htmlSource);
}

1.3

 public Document getDoc(String url) throws Exception {
    String ret = "";
    WebClient webClient = new WebClient(BrowserVersion.CHROME);
    webClient.getOptions().setJavaScriptEnabled(true);
    webClient.getOptions().setCssEnabled(false);
    webClient.getOptions().setRedirectEnabled(true);
    webClient.getOptions().setThrowExceptionOnScriptError(false);
    webClient.setAjaxController(new NicelyResynchronizingAjaxController());
    webClient.getOptions().setTimeout(10000);
    WebRequest webRequest = new WebRequest(new URL(url));
    webRequest.setHttpMethod(HttpMethod.GET);
    HtmlPage page = webClient.getPage(webRequest);
    webClient.waitForBackgroundJavaScript(1000);
    ret = page.asXml();
    webClient.close();
    return Jsoup.parse(ret );
}   

2.看下面例子， 这个select 方法在Document, Element,或Elements对象中都可以使用。Select方法将返回一个Elements集合。

doc是我们通过第一步获得的doucmen对象。select括号里面的意思是class为content-item和expert的a标签        元素。多个class记得要用逗号隔开。
其中的 “a” 可以是 “div”、“span”等标签名。
    Elements  contentEs = doc.select("a.content-item,expert");
    
因为获得的不是一个元素，所以使用get(index)方法，获得对应的元素，以0开始。
    Element  contentE = contentEs.get(0);

也可以使用增强型for循环将它遍历。其中.attr()方法是获得该元素的某某属性值，比如a标签的href值。
    for(Element e : contentEs ){
            e.attr("href");
    }

如果一次select()方法没用选到具体的，可以多次使用该方法。下面就调用了三次select()方法。
   Elements e = doc.select("div.menu-item,menu-skincare");
   Elements ee = e.select("div.column");
    for(int i=0 ; i<cc.size();i++){
            Elements eee = ee.get(i).select("a.submenu-item");
    }
    

3.text()方法是将Element(s)对象转化为String类型。

    String result  = eee.text();

以上只是我在爬某网站用到的，之前没有接触过jsoup，也是随用随学，除了这些在还有很多（来自jsoup中文帮助文档） ：

Selector选择器概述

•    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