網絡爬蟲技術Jsoup——爬到一切你想要的（轉）
阿新 • • 發佈：2017-10-10
append nload ntp 信任 can 網絡爬蟲 ets bst contain
轉自：http://blog.csdn.net/ccg_201216323/article/details/53576654
本文由我的微信公眾號（bruce常）原創首發，
並同步發表到csdn博客，歡迎轉載，2016年12月11日。
概述：
本周五，接到一個任務，要使用爬蟲技術來獲取某點評網站裏面關於健身場館的數據，之前從未接觸過爬蟲技術，於是就從網上搜了一點學習資料，本篇文章就記錄爬蟲技術Jsoup技術，爬蟲技術聽名稱很牛叉，其實沒什麽難點，慢慢的用心學習就會了。
Jsoup介紹：
Jsoup 是一個 Java 的開源HTML解析器，可直接解析某個URL地址、HTML文本內容，Jsoup官網jar包下載地址。
Jsoup主要有以下功能：
1. 從一個URL，文件或字符串中解析HTML
2. 使用DOM或CSS選擇器來查找、取出數據
3. 對HTML元素、屬性、文本進行操作
4. 清除不受信任的HTML (來防止XSS攻擊)
使用Jsoup爬蟲技術你需要的能力有：
- 我們是用安卓開發的，首先肯定要有一定的安卓開發能力，會寫簡單的頁面。
- Jsoup中用到了Javascript語言，沒有此語言能力在獲取數據的時候就比較吃力，這是此爬蟲技術的重中之重。
- 查閱文檔與解決問題的能力和技巧（有點廢話）
上面三條中對於一個安卓開發者來說，最難的就是熟練使用Javascript語言，小編就遇到了這個問題，小編還有一定的javascript基礎，系統的學習過此語言，但是在使用中還是很吃力的，問同學、問朋友、問同事，最後還是靠自己來獲取自己想要的數據。
爬蟲技術沒那麽難，思路就是這麽的簡單
- 得到自己想要爬取數據的url.
- 通過Jsoup的jar包中的方法將Html解析成Document，
- 使用Document中的一些列get、first、children等方法獲取自己想要的數據，如圖片地址、名稱、時間。
- 將得到的數據封裝成自己的實體類。
- 將實體中的數據在頁面加載出來。
實戰，獲取**點評網站中的場館數據：
先奉上效果圖，沒有圖不說話：
這就是今天要實現的效果，左邊圖片是場館的logo，右邊上方是場館的名稱，下邊是場館的地址信息，點擊進去可以根據超鏈接地址跳轉新的頁面，頁面的Url地址小編已經拿到，但可能是因為重定向的問題，webview沒有加載出來，有興趣的可以輸入鏈接地址來驗證。
首先：新建一個空的項目.
上面的效果，只要接觸過安卓開發的都能寫出來，所以不是本篇文章的重點，這裏就不過多說明，大家可以使用ListView或者RecyclerView來實現，我這裏用ListView。
小編這裏是為了加入側邊欄所以使用的是DrawerLayout，但後來沒有用到，所以也就沒有側邊欄的效果，不過後期如有時間會加上去的，上一頁下一頁是為了簡單的模仿瀏覽器中的操作，此效果只能顯示前9頁數據，網頁鏈接中有50頁的數據，為什麽沒有實現呢？
很簡單，因為50頁的鏈接地址不是一次性返回的，小編為了方便，只獲取了前9頁數據的url，畢竟是為了抓取數據顯示而已。
其次：主程序設計
- 通過網頁得到**點評健身場館的url地址是：http://www.dianping.com/search/category/2/45
- 抓取數據是一個耗時的操作，需要在一個線程中完成，這裏使用 new Thread(runnable).start()方式，在runnable代碼中獲取場館的logo、名稱、地址如下：
Runnable runnable = new Runnable() {
@Override
public void run() {
Connection conn = Jsoup.connect(url);
// 修改http包中的header,偽裝成瀏覽器進行抓取
conn.header("User-Agent", userAgent);
Document doc = null;
try {
doc = conn.get();
} catch (IOException e) {
e.printStackTrace();
}
//獲取場館的數據
Element elementDiv = doc.getElementById("shop-all-list");
Elements elementsUl = elementDiv.getElementsByTag("ul");
Elements elements = elementsUl.first().getElementsByTag("li");
for (Element element : elements) {
Elements elements1 = element.children();
String targetUrl = elements1.get(0).getElementsByTag("a").attr("href");
String img = elements1.get(0).getElementsByTag("img").first().attr("data-src");
if (img.contains(".jpg")) {
int a = img.indexOf(".jpg");
img = img.substring(0, a + 4);
}
String radiumName = elements1.get(1).child(0).getElementsByTag("h4").text();
String address0 = elements1.get(1).child(2).getElementsByTag("a").get(1).text();
String address1 = elements1.get(1).child(2).getElementsByClass("addr").text();
RadiumBean radiumBean = new RadiumBean();
radiumBean.setImg(img);
radiumBean.setName(radiumName);
radiumBean.setAddress(address0 + " " + address1);
list.add(radiumBean);
}
// 執行完畢後給handler發送一個空消息
Message message = new Message();
message.arg1 = Integer.parseInt(curPage);
handler.sendMessage(message);
}
};- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 通過Jsoup.connect()方法，根據目標地址url來得到Connection對象，
- 將我們的app偽裝成瀏覽器，防止人家後臺發現我們在爬取人家的數據，這需要修改修改http包中的header，來設置User-Agent，此值可以在谷歌瀏覽器中輸入“about:version”來查看，也可以訪問此地址查看。
- 通過Connection對象的get()方法來獲得整個頁面源代碼所在的Document
- 通過分析源代碼，使用Document的對象來得到我們想要的數據，上面程序中img待變場館logo的url，radiumName是小編得到的場館的名稱，address0和address1是小編得到的場館地址的信息，這裏通過組合來使用。
- 構造我們ListView所用到的數據
- 通過Handle來更新頁面信息，curPage（當前頁）稍後說明。
- 在得到數據後頁面加載顯示
if (!list.isEmpty()) {
MyAdapter adapter = new MyAdapter(list, MainActivity.this);
info_list_view.setAdapter(adapter);
}- 1
- 2
- 3
- 4
4.點擊跳轉到場館的詳情頁，這裏本想用Webview加載的，但是可能是網頁重定向的問題，webview也能加載出來，但一會就顯示無法連接網絡，所以場館詳情頁就顯示出了我們得到的場館詳情頁的url。
基本的抓取數據、加載數據流程就是這樣的，但是僅僅靠上面的數據還是不能完全實現我們的效果的。
完善頁面，實現上下頁翻頁功能。
- 頁面在爬取數據的時候顯示一個ProgressDialog來提示用戶。
ProgressDialog dialog = new ProgressDialog(this);
dialog.setMessage("正在抓取數據...");
dialog.setCancelable(false);
dialog.show();- 1
- 2
- 3
- 4
數據加載完畢，關閉此dialog。
dialog.dismiss();- 1
2.ProgresDialog加載前做是否有網絡的判斷，有網的時候才顯示ProgressDialog，無網絡的時候給出提示。
public boolean isNetworkAvailable(Activity activity) {
Context context = activity.getApplicationContext();
ConnectivityManager cm = (ConnectivityManager) context.getSystemService(Context.CONNECTIVITY_SERVICE);
if (cm == null)
return false;
else { // 獲取所有NetworkInfo對象
NetworkInfo[] networkInfo = cm.getAllNetworkInfo();
if (networkInfo != null && networkInfo.length > 0) {
for (int i = 0; i < networkInfo.length; i++)
if (networkInfo[i].getState() == NetworkInfo.State.CONNECTED)
return true; // 存在可用的網絡連接
}
}
return false;
}- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
3.完善runnable，抓取當前頁碼、上一頁、下一頁的鏈接地址。
// 獲取頁數的鏈接
if (firstLoad) {
Elements elementsPages = doc.getElementsByClass("content-wrap");
Elements elementsPageA = elementsPages.first().getElementsByClass("shop-wrap").first().child(1).getElementsByTag("a");
for (int i = 0; i < elementsPageA.size() - 2; i++) {
Element element = elementsPageA.get(i);
Element element1 = element.getElementsByClass("cur").first();
Map<String, Object> map = new HashMap<>();
if (element1 != null) {
curPage = element1.text();
map.put("page", "" + (i + 1));
map.put("url", url);
mMapList.add(map);
} else {
map.put("page", "" + (i + 1));
map.put("url", element.attr("href"));
mMapList.add(map);
}
}
}
firstLoad = false;- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
因為在網頁中，第一次進入返回了前9頁和第50頁的數據，這裏只取前9頁的數據，firstLoad代表第一次加載，mMapList用來存放頁碼和頁面跳轉時候的url，對js中的代碼不明白的朋友們，要好好學學js，這裏小編就不介紹js了，至於我為什麽知道取這些字段，那是小編盯著網頁源程序代碼看了半天看出來的。
- 這個時候就用到了之前runnable中的Message對象中的curPage
curPage代表當前頁碼，從1開始………………在handle接收到消息後顯示此頁碼信息。
tvCurrentPage.setText("" + msg.arg1);- 1
- 模仿網頁的上一頁下一頁，我們需要處理TextView的點擊事件。
下一頁事件：
if (curPage.equals("" + (mMapList.size()))) {
Toast.makeText(this, "末頁", Toast.LENGTH_SHORT).show();
} else {
curPage = "" + (Integer.parseInt(curPage) + 1);
url = "http://www.dianping.com" + mMapList.get(Integer.parseInt(curPage) - 1).get("url").toString();
switchOver();
tvCurrentPage.setText(curPage);
}- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
上一頁事件：
if (curPage.equals("1")) {
Toast.makeText(this, "首頁", Toast.LENGTH_SHORT).show();
} else {
curPage = "" + (Integer.parseInt(curPage) - 1);
if (curPage.equals(1)) {
url = "http://www.dianping.com/search/category/2/45";
} else {
url = "http://www.dianping.com" + mMapList.get(Integer.parseInt(curPage) - 1).get("url").toString();
}
switchOver();
tvCurrentPage.setText(curPage);
}- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
經過小編測試，在點擊下一頁的時候沒有bug，在點擊上一頁的時候，會出現doc為null，從而奔潰的bug，小編在努力解決中，但還沒解決掉。
- 附上完整的runnable代碼，畢竟這是此程序的關鍵部分。
Runnable runnable = new Runnable() {
@Override
public void run() {
Connection conn = Jsoup.connect(url);
// 修改http包中的header,偽裝成瀏覽器進行抓取
conn.header("User-Agent", userAgent);
Document doc = null;
try {
doc = conn.get();
} catch (IOException e) {
e.printStackTrace();
}
// 獲取頁數的鏈接
if (firstLoad) {
Elements elementsPages = doc.getElementsByClass("content-wrap");
Elements elementsPageA = elementsPages.first().getElementsByClass("shop-wrap").first().child(1).getElementsByTag("a");
for (int i = 0; i < elementsPageA.size() - 2; i++) {
Element element = elementsPageA.get(i);
Element element1 = element.getElementsByClass("cur").first();
Map<String, Object> map = new HashMap<>();
if (element1 != null) {
curPage = element1.text();
map.put("page", "" + (i + 1));
map.put("url", url);
mMapList.add(map);
} else {
map.put("page", "" + (i + 1));
map.put("url", element.attr("href"));
mMapList.add(map);
}
}
}
firstLoad = false;
//獲取場館的數據
Element elementDiv = doc.getElementById("shop-all-list");
Elements elementsUl = elementDiv.getElementsByTag("ul");
Elements elements = elementsUl.first().getElementsByTag("li");
for (Element element : elements) {
Elements elements1 = element.children();
String targetUrl = elements1.get(0).getElementsByTag("a").attr("href");
String img = elements1.get(0).getElementsByTag("img").first().attr("data-src");
if (img.contains(".jpg")) {
int a = img.indexOf(".jpg");
img = img.substring(0, a + 4);
}
String radiumName = elements1.get(1).child(0).getElementsByTag("h4").text();
String address0 = elements1.get(1).child(2).getElementsByTag("a").get(1).text();
String address1 = elements1.get(1).child(2).getElementsByClass("addr").text();
// StringBuilder stringBuilder = new StringBuilder();
//
// if (elements1.get(2).child(0).children().size()>0){
// String youhui = "";
// if (!"".equals(elements1.get(2).child(0).child(0).getElementsByClass("more").text())){
// youhui = elements1.get(2).child(0).getElementsByTag("a").get(1).attr("title");
// }else {
// youhui = elements1.get(2).child(0).getElementsByTag("a").get(1).attr("title");
//
// }
//
// stringBuilder.append(youhui+"+++");
// }
RadiumBean radiumBean = new RadiumBean();
radiumBean.setTargetUrl("http://www.dianping.com" + targetUrl);
radiumBean.setImg(img);
radiumBean.setName(radiumName);
radiumBean.setAddress(address0 + " " + address1);
list.add(radiumBean);
}
// 執行完畢後給handler發送一個空消息
Message message = new Message();
message.arg1 = Integer.parseInt(curPage);
handler.sendMessage(message);
}
};- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
有不明白的可以對照完整的runnable代碼來理解。
通過上面的步驟，我們已經完成了抓取、加載、上下頁切換的效果。但但請看下面。
通過小編的切身體驗，發現jsoup爬蟲獲取數據時候的幾個需要註意的地方。
1. 個人要會js，再強調一遍，不會js，上面我寫的js的程序應該會非常的迷糊，即便會的人，因為每個人寫的也不一樣，也是不好看懂的。
2. 我們在爬取數據的時候所用的class id 等字段一旦發生變化，那就得不到相應的標簽了，頁面就會發生奔潰，這一點也是致命的一點把。
3. 要想非常逼真的實現網頁中的效果，那你就要好好的看看網頁的源代碼了，網頁代碼有很大的靈活性，需要你仔細分析記錄規律。
測試程序已經上傳到了github，有需要的可以下載源程序。
下載地址：點我點我點我
網絡爬蟲技術Jsoup——爬到一切你想要的（轉）