Jsoup网页内容抓取分析(一)

Jsoup网页内容抓取分析(1)

在Java 程序在解析HTML 文档时，大家应该晓得htmlparser 这个开源项目，我也是使用过，不过这个程序到了2006年就没有更新了。由于我的基础较差，对于扩展自定义的标签还是不太懂，还是有超时问题困扰，偶然的机会中发现有jsoup，而且更新到了1.72版，使用起来还是很容易上手的。下面写些使用心得：

jsoup is a Java library for working with real-world HTML. It provides a very convenient API for extracting and manipulating data, using the best of DOM, CSS, and jquery-like methods.

jsuop是一款java的html解析器，提供一套非常省力的API，通过dom模型css和类似于jquery的方式来获取和操作数据。

功能：1.解析一个Html文档，2.解析一个body片段

String html = "<html><head><title>First parse</title></head>"
  + "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);//分析文档，使用doc.toString()可以转为文本
Element body=doc.body();//获取body片段，使用body.toString()可以转为文本

获取方式：1.从本地文件加载 2.根据url地址获取

/**使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法
 *其中baseUri参数用于解决文件中URLs是相对路径的问题。
 *如果不需要可以传入一个空的字符串。
 */
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

/**
 *根据url直接获取内容，可以加入超时，get方法不行，就用post方法
 *我在实际应用中，出现404,405,504等错误信息
 *将get改为post就可以，或者反过来改
 *如果等以后弄明白了，再来解释清楚
 */
Document doc1 = Jsoup.connect("http://www.hao123.com/").get();
String title = doc1.title(); //获取网页的标题
String content=doc1.toString();//将网页转为文本

Document doc2 = Jsoup.connect("http://www.hao123.com")
  .data("query", "Java")//请求参数
  .userAgent("Mozilla")//设置urer-agent
  .cookie("auth", "token")//设置cookie
  .timeout(50000)//设置连接超时
  .post();//或者改为get

1 楼 mz0827 前天

我觉得jsoup还是只用来解析html比较好。获取html可以使用Apache的HttpClient，3或者4都可以

2 楼 asialee 前天

jsoup的api定义的非常好

3 楼 cjp1989 前天

mz0827 写道

我觉得jsoup还是只用来解析html比较好。获取html可以使用Apache的HttpClient，3或者4都可以

谢谢，我一定试下。
我用java自带的httpURLConnection获取链接，发现耗时比较大，而且还有的无法加载出来，自己写了个demo比较耗时，发现jsoup综合还是快于HttpURLConnection。

4 楼 cjp1989 前天

asialee 写道

jsoup的api定义的非常好

完全赞同，我也是觉得这个好用！

5 楼 sanshizi 昨天

这个库不错

6 楼 cjp1989 昨天

sanshizi 写道

这个库不错

确实是很好的！

7 楼 linweibin 昨天

mz0827 写道

我觉得jsoup还是只用来解析html比较好。获取html可以使用Apache的HttpClient，3或者4都可以

这两个一般都是结合使用的

8 楼 cjp1989 昨天

linweibin 写道

mz0827 写道

我觉得jsoup还是只用来解析html比较好。获取html可以使用Apache的HttpClient，3或者4都可以

这两个一般都是结合使用的

赞同，谢谢指教，现在在做通用配置，还有好多要解决的问题！

9 楼 superchinaren 昨天

问一个问题。如何我要爬不同的网站上的内容。是不是要针对不同的网站写不同的解析代码？有没有统一处理的。

10 楼 cjp1989 昨天

superchinaren 写道

问一个问题。如何我要爬不同的网站上的内容。是不是要针对不同的网站写不同的解析代码？有没有统一处理的。

这个我正在做通用配置，有很多的参数要设置，根据div，table不同，从数据库里读取配置信息。大部分的网站是可以统一处理的额

11 楼 linweibin 昨天

superchinaren 写道

问一个问题。如何我要爬不同的网站上的内容。是不是要针对不同的网站写不同的解析代码？有没有统一处理的。

用jsoup大部分的网站都是可以做同意处理的，特别是像新闻类的网站或者微博

12 楼 cjp1989 昨天

linweibin 写道

用jsoup大部分的网站都是可以做同意处理的，特别是像新闻类的网站或者微博

我现在就是做的新闻类网站的内容截取，分析

Jsoup网页内容抓取分析(一)

相关推荐