Java教程之使用Jsoup实现简单的爬虫技术

2019-03-10 11:57:34来源:博客园 阅读 ()

新老客户大回馈,云服务器低至5折

 1.Jsoup简述

  ? Java中支持的爬虫框架有很多,比如WebMagic、Spider、Jsoup等。今天我们使用Jsoup来实现一个简单的爬虫程序。

  ? Jsoup拥有十分方便的api来处理html文档,比如参考了DOM对象的文档遍历方法,参考了CSS选择器的用法等等,因此我们可以使用Jsoup快速地掌握爬取页面数据的技巧。

  2.快速开始

  1)编写HTML页面

页面中表格的商品信息是我们要爬取的数据。其中属性pname类的商品名称,以及属于pimg类的商品图片。

  2)使用HttpClient读取HTML页面

  HttpClient是一个处理Http协议数据的工具,使用它可以将HTML页面作为输入流读进java程序中。可以从http://hc.apache.org/下载HttpClient的jar包。

  3)使用Jsoup解析html字符串

  通过引入Jsoup工具,直接调用parse方法来解析一个描述html页面内容的字符串来获得一个Document对象。该Document对象以操作DOM树的方式来获得html页面上指定的内容。相关API可以参考Jsoup官方文档:https://jsoup.org/cookbook/

  下面我们使用Jsoup来获取上述html中指定的商品名称和价格的信息。

 至此,我们已经实现使用HttpClient+Jsoup爬取HTML页面数据的功能。接下来,我们让效果更直观一些,比如将爬取的数据存到数据库中,将图片存到服务器上。

  3.保存爬取的页面数据

  1)保存普通数据到数据库中

  将爬取的数据封装进实体Bean中,并存到数据库内。

 2)保存图片到服务器上

  直接通过下载图片的方式将图片保存到服务器本地。

 4.总结

  本案简单实现了使用HttpClient+Jsoup爬取网络数据,对于爬虫技术本身,还有很多值得深挖的地方,以后再为大家讲解。


原文链接:https://www.cnblogs.com/cldmxw/p/10494866.html
如有疑问请与原作者联系

标签:

版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有

上一篇:No principal was found in the response from the CAS server

下一篇:输出n行等腰三角形(符号为*)