java爬取网页内容 简单例子(2)——附jsoup的select用法详解
【背景】
在上一篇博文 java爬取网页内容 简单例子(1)——使用正则表达式 里面,介绍了如何使用正则表达式去解析网页的内容,虽然该正则表达式比较通用,但繁琐,代码量多,现实中想要想出一条简单的正则表达式 对于没有很好正则表达式基础的人——比如说我T_T——是一件蛮困难的事。这一篇,我们改用jsoup,一个强大的解析html工具,去解析html,你会发现,一切都变得很容易。
【准备工作】
下载:jsoup-1.6.1.jar
【先看效果】
目标网站:中国天气
目的:获取今天的天气
目标HTML代码:
<li class="dn on" data-dn="7d1"><h1>今天</h1><h2>8日</h2><big class="jpg50 d04"></big><big class="jpg50 n04"></big> <p class="wea" title="雷阵雨">雷阵雨</p><p class="tem tem1"> <span>33</span><i>°C</i> </p><p class="tem tem2"> <span>25</span><i>°C</i> </p><p class="win"><em><span title="无持续风向" class=""></span><span title="无持续风向" class=""></span></em><i>微风</i></p><div class="slid"></div> </li>
View Code
解析的java代码:
(1)审查网页元素后发现,我们要的内容在上面的目标HTML代码中,在整个网页中是在 class="dn on" data-dn="7d1" 的<li>中
(2)“今天” 两字在<h1></h1>中
(3)“8日” 两字在<h2></h2>中
(4)“雷阵雨” 三字在 class="wea" 中
(5)“33” 在第一个<span>中
(6)“25” 在第二个<span>中
(7)“微风” 两字在 第三个<i> 中
有了上面的分析,要获取到这些天气内容就易如反掌了。如下java代码:
1 package com.zjm.www.test; 2 3 import java.io.IOException; 4 5 import org.jsoup.Jsoup; 6 import org.jsoup.nodes.Document; 7 import org.jsoup.select.Elements; 8 9 public class TestJsoup { 10 11 public Document getDocument (String url){ 12 try { 13 return Jsoup.connect(url).get(); 14 } catch (IOException e) { 15 e.printStackTrace(); 16 } 17 return null; 18 } 19 20 public static void main(String[] args) { 21 TestJsoup t = new TestJsoup(); 22 Document doc = t.getDocument("http://www.weather.com.cn/html/weather/101280101.shtml"); 23 // 获取目标HTML代码 24 Elements elements1 = doc.select("[class=dn on][data-dn=7d1]"); 25 // 今天 26 Elements elements2 = elements1.select("h1"); 27 String today = elements2.get(0).text(); 28 System.out.println(today); 29 // 几号 30 Elements elements3 = elements1.select("h2"); 31 String number = elements3.get(0).text(); 32 System.out.println(number); 33 // 是否有雨 34 Elements elements4 = elements1.select("[class=wea]"); 35 String rain = elements4.get(0).text(); 36 System.out.println(rain); 37 // 高的温度 38 Elements elements5 = elements1.select("span"); 39 String highTemperature = elements5.get(0).text()+"°C"; 40 System.out.println(highTemperature); 41 // 低的温度 42 String lowTemperature = elements5.get(1).text()+"°C"; 43 System.out.println(lowTemperature); 44 // 风力 45 Elements elements6 = elements1.select("i"); 46 String wind = elements6.get(2).text(); 47 System.out.println(wind); 48 } 49 }
View Code
结果打印出:
1 今天 2 8日 3 雷阵雨 4 33°C 5 25°C 6 微风
【详解】
附:
- jsoup的官方中文文档为:http://www.open-open.com/
- API为:http://jsoup.org/apidocs/
java代码第13行:
从文档中我们可用看出,获取数据源的方法有三:
(1)从一段html代码字符串获取: Document doc = Jsoup.parse(html);
(2)从一个url获取: Document doc = Jsoup.connect("http://example.com/").get();
(3)从一个html文件获取 File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
这里,我们采取了第二种方法,从url中获取。
java代码第24、26、30、34、38行:
Document 继承自 Element 类, 而Element类有一个很好的方法,叫select , 这个选择器几乎无所不能。快速从一堆html代码中获取我们想要的一段,我觉得使用select最方便。下面我们来看怎么使用select方法来查找。
注:以下表格的结果都是使用以下语句打印出来的
for(Element e : elements) {System.out.println(e.text());}
select详解 | |||
描述 | 测试的HTML代码 | select写法 |
结果 |
通过 标签名 来查找 |
<span>33</span> <span>25</span> |
Elements elements = doc.select("span"); 注:通过标签来查找,直接写 "标签名" 就好,不需要尖括号。 |
33 25 |
通过 id 来查找 |
<span id=\"mySpan\">36</span><span>20</span> |
Elements elements = doc.select("#mySpan"); 注:通过id来查找,使用方法跟css指定元素一样,用# |
36 |
通过 class名 来查找 |
<span class=\"myClass\">36</span><span>20</span> |
Elements elements = doc.select(".myClass"); 注:通过id来查找,使用方法跟css指定元素一样,用 . |
36 |
利用标签内 属性名 查找元素 |
<span class=\"class1\" id=\"id1\">36</span><span class=\"class2\" id=\"id2\">36</span> |
Elements elements = doc.select("span[class=class1]span[id=id1]"); 注:规则为 标签名【属性名=属性值】,标签名可写可不写,多个属性即多个【】,如上。 |
36 |
利用标签内 属性名前缀 查找元素 |
<span class=\"class1\" >36</span> <span class=\"class2\" >22</span> |
Elements elements = doc.select("span[^cl]"); 注:规则为 标签名【^属性名前缀】,标签名可写可不写,多个属性即多个【】。 |
36 22 |
利用标签内 属性名+正则表达式 查找元素 |
<span class=\"ABC\" >36</span> <span class=\"ADE\" >22</span> |
Elements elements = doc.select("span[class~=^AB]"); 注:规则为 标签名【属性名~=正则表达式】,以上的正则表达式的意思是查找以class值以AB为开头的标签,标签名可写可不写,多个属性即多个【】 |
36 |
利用标签 文本包含某些内容 来查找 |
<span>36</span> <span>22</span> |
Elements elements = doc.select("span:contains(3)"); 注:规则为 标签名:contains(文本值) |
36 |
利用标签 文本包含某些内容+正则表达式 来查找 |
<span>36</span> <span>22</span> |
Elements elements = doc.select("span:matchesOwn(^3)"); 注:规则为 标签名:matchesOwn(正则表达式),以上的正则表式的意思是以文本值以3为开头的标签 |
36 |
关于select,还有一些其他的查找方法,以上只列出个人觉得比较好用、常用的语法。
select方法返回的是一个Elements 对象,里面包含着找到的所有节点。遍历Elements ,通过get(index),就可以拿出具体的 节点了。通过节点的text()方法,就可用拿出文本值。
而想得到节点的其他属性,可以看API的介绍。
【结语】
jsoup还有其他强大的功能,在此只介绍其在获取网页特定内容的写法。希望对刚接触jsoup的人有帮助。
如果本文有哪里写得不好或写错,欢迎各位提出来,感激不尽~
转载于:https://www.cnblogs.com/xiaoMzjm/p/3899366.html
java爬取网页内容 简单例子(2)——附jsoup的select用法详解相关推荐
- java爬取百度贴吧吧内所有帖子数据(图文详解)
因为个人需要爬取某个吧内的所有帖子并保存下来,但是无奈不会写python,于是就想到了利用java的jsoup去做爬虫,尝试了多次后终于获取成功,主要遇到的问题还是百度的反爬机制,解决了后,整理一篇文 ...
- java metadata 使用_java 查询oracle数据库所有表DatabaseMetaData的用法(详解)
一 . 得到这个对象的实例 Connection con ; con = DriverManager.getConnection(url,userName,password); DatabaseMet ...
- java return返回值_java中关于return返回值的用法详解
我们输入一个条件时,系统就会对这个条件进行判断,然后给出一个返回时的结论,我们把这个结果看做是返回值.在java里可以使用return语句来进行返回,从字面意思就能很好的理解它的用法了.下面我们就re ...
- java爬取论坛信息_Java爬取校内论坛新帖
Java爬取校内论坛新帖 为了保持消息灵通,博主没事会上上校内论坛看看新帖,作为爬虫爱好者,博主萌生了写个爬虫自动下载的想法. 嗯,这次就选Java. 第三方库准备 Jsoup Jsoup是一款比较好 ...
- java爬取国内飞机航班轨迹数据jsoup的探索
接到一个爬虫项目,java编写的调用jsoup.来调取国内民航的轨迹.第一步,先进行根据飞机所属于的航空公司,然后根据改航空公司爬出所有的的航班号.第二步,根据查询出的航班号进行飞行轨迹的的数据爬去. ...
- java回调函数_PHP回调函数及匿名函数概念与用法详解
1.回调函数 PHP的回调函数其实和C.Java等语言的回调函数的作用是一模一样的,都是在主线程执行的过程中,突然跳去执行设置的回调函数: 回调函数执行完毕之后,再回到主线程处理接下来的流程 而在ph ...
- java同步关键字_Java中synchronized关键字修饰方法同步的用法详解
Java的最基本的同步方式,即使用synchronized关键字来控制一个方法的并发访问. 每一个用synchronized关键字声明的方法都是临界区.在Java中,同一个对象的临界区,在同一时间只有 ...
- java正则 环视_Java正则环视和反向引用功能与用法详解
本文实例讲述了Java正则环视和反向引用功能与用法.分享给大家供大家参考,具体如下: 环视 1.环视概念 环视,又称为零宽断言,简称断言. 环视强调位置(前面或后面),必须匹配环视表达式,才能匹配成功 ...
- linux中使用egrep取值ip地址,egrep命令_Linux egrep 命令用法详解:在文件内查找指定的字符串...
egrep命令用于在文件内查找指定的字符串.egrep执行效果与grep -E相似,使用的语法及参数可参照grep指令,与grep的不同点在于解读字符串的方法.egrep是用extended regu ...
最新文章
- PHP关联数组和哈希表(hash table) 未指定
- http://blog.csdn.net/luoshengyang/article/details/6651971
- 店宝宝电脑版_起名字 测名字神器 电脑安卓全有了
- 【XAuido2】播放wav和ogg格式音频文件
- c++指针引用导出文件
- 详解HTML5中rel属性的prefetch预加载功能使用
- 根据运算符优先级解析SQL规则表达式
- 如何理解 Python 中的面向对象编程?
- jQuery中的live绑定多个事件整理
- spring MVC三种统一异常处理的方法
- word转PDF-Python编写的插件
- lammps学习总结3
- php unexpected t_if,zblog提示syntax error, unexpected 'if' (T_IF)出错,模版压缩导致PHP提示代码错误...
- 苹果服务器cpu型号怎么看,iphone6s plus怎么查cpu型号 iphone6s plus查询cpu型号方法
- 防火墙和代理服务器之间有什么区别
- 中国十大1至3岁童车品牌辐轮王土拨鼠世界儿童自行车品牌排行榜
- 你不知道的几个牛逼网站,欢迎收藏
- 解决黑苹果核显开机屏幕暗等3-5分钟才完全亮的问题
- 为双系统 Ubuntu grub启动项中添加Windows启动项
- 视觉错觉模型_12种超神奇的视觉错觉图!看完让你无法自拔
热门文章
- java_opts gc回收器_JVM之垃圾回收机制(GC)
- autorunner测试java代码,AutoRunner自动化测试工具介绍
- 这些 Linux 的 “自动化” 技巧,教你轻松完成任务
- ChaosBlade x SkyWalking 微服务高可用实践
- java如何把查到的对象集合放入 展示对象list中_Java面试整理-基础篇8.集合1
- ggplot2设置坐标轴范围_ggplot2画图时出现重合的点以及标签如何处理?有现成的包ggrepel
- 用法 the_【课堂】a、an、the的用法
- kaldi语音识别实战pdf_语音识别相关工具和资料分享
- java 继承 模型_java – 画布形状模型的继承与组合?
- ios 设备获取idfa_超4成用户选择升级iOS 14,35%苹果设备已无法获取IDFA