Jsoup爬虫使用记录

背景

学习 Android 到一段时间,想自己做一些项目练练手,需要数据怎么办呢?

  • 自己造数据

    • 少量的假数据
      利用数组或者集合来存储少量数据。

    • 大量的后台数据
      这里的数据是指,自己获取数据,然后自己实现一个后台管理系统,通过这个系统去操作(增删改查)这些大量的数据。

  • 用第三方的API接口

    • 聚合数据(欠我一份广告费)
      大量的接口数据,有免费的有收费的。

    • 干货集中营
      代码家大神在维护,种类不多,但是接口格式很标准,使用起来很爽。

  • 爬取数据

    • 第三方工具
      我使用过的就是八爪鱼,这个工具使用起来也很方便。但是有的缺点就是在获取网页的图片时,获取不到真正的地址,需要再次整理才能得到图片Url。

    • 脚本
      Python听说不错,没学习不好评论。

    • 开源工具
      Jsoup,这是最近发现的一个Java爬虫工具。

Jsoup 介绍

  • 是什么?

    • Jsoup 是一个 Java 的开源HTML解析器,可直接解析某个URL地址、HTML文本
  • 能做什么?

    • 从一个URL,文件或字符串中解析HTML
      parseHtml

    • 使用DOM或者CSS选择器来查找、取出数据
      dom
      select

    • 对HTML元素、属性、文本进行操作
      这里是指Jsoup工具能够对HTML进行增删改查操作

    • 清除不受信任的HTML (来防止XSS攻击)
      Xss

  • 不能做什么?

    • 网站使用动态加载技术 jsoup没法爬,建议用htmlutil 工具

    • 【动态加载技术?】
      利用 ajax() 方法通过 HTTP 请求加载远程数据,该方法是 jQuery 底层 AJAX 实现, AJAXj 它主要用途是提供异步刷新,而jQuery又是一个兼容多浏览器的JavaScript库。
      JavaScript一种脚本语言,用来给HTML网页增加动态功能。

    • 【为什么爬不了?】
      Jsoup只能是抓取加载完成后的页面,源码是这么设计的,有时间去看看源码

    • 【解决办法】
      换扒取数据的Url
      换工具( htmlutil )
      Google搜索

简单实现

  • 实现步骤

    • 得到自己想要爬取数据的url.
      http://www.moxiu.com/themes
      url

    • 通过Jsoup的jar包中的方法将Html解析成Document,
      添加依赖 compile ‘org.jsoup:jsoup:1.10.2’

    • 使用Document中的一些列get、first、children等方法获取自己想要的数据,如图片地址、名称等内容。
      used

    • 将得到的数据封装成自己的实体类。
    • 将实体中的数据在页面加载出来。
  • 展示的结果这里写图片描述

参考

小额支持我写出更好的文章~