Jsoup:https://jsoup.org/

建议搭配ChatGPT一起使用:https://gpt.zanglikun.com/

什么是XML?

  •  是一种标记语言,很类似 HTML
  • XML 的设计宗旨是传输数据,而非显示数据

XML的操作类型

1、解析:将xml文档 数据读取到内存中

2、写入:将数据写入xml

解析 XML 方式

  • DOM:将标记语言文档,一次性加载进内存,在内存中形成一颗dom数

优点:可以像Dom树一样,对文档进行 curd

缺点:因为一次性加载全部加载,占内存很大

SAX:逐行读取,(读一行,释放前面一行)基于事件驱动的。

优点:不占内存。

缺点:只能读取,不能增删改。

总结:服务端:适合DOM。移动端:内存较小,适合SAX

常见的XML解析器Java库

JAXP

sun公司提供的解析器,支持dom和sax两种思想,官方,性能较烂。

DOM4j

一款非常优秀的解析器,非官方,但是性能更好

jsoup

是一款Java的html解析器,可直接解析某个URL地址、HTML文本内容,他提供了一套非常省力的API。

PULL

Android 操作系统内置解析器。基于sax方式

Jsoup 快速入门

什么是Jsoup?

Jsoup 是一个用于解析、处理和操作 HTML 和 XML 文档的 Java 库。适用于各种场景,如网络爬虫、数据抓取、网页分析等。它的简单易用和强大的功能使得在 Java 中处理网页数据变得更加方便和高效。

白话:会前端的dom树操作逻辑,就能类比出jsoup处理的API

Java 操作Jsoup步骤

  • 导入Jsoup相关的Maven依赖坐标
        <dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.15.3</version>
        </dependency>
  • 获取document对象
  • 获取对应的标签 Element对象
  • 获取数据

Jsoup初级案例

Jsoup解析本地xml 案例一

这里自己创建一个.xml 文件 源码如下

<?xml version="1.0" encoding="UTF-8" ?>
<!-- 
	1.填写xml文档的根元素
	2.引入xsi前缀.  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
	3.引入xsd文件命名空间.  xsi:schemaLocation="http://www.itcast.cn/xml  student.xsd"
	4.为每一个xsd约束声明一个前缀,作为标识  xmlns="http://www.itcast.cn/xml" 
 -->
<students xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
          xmlns="http://www.itcast.cn/xml"
          xsi:schemaLocation="http://www.itcast.cn/xml  student.xsd">
    
    <student number="persion1">
        <name>tom</name>

        <age>18</age>
        <sex>male</sex>
    </student>
    <student number="persion2">
        <name>lucy</name>
        <age>30</age>

        <sex>female</sex>
    </student>

</students>

创建好了xml文件,那就上Java代码获取绝对路径 填入下面吧

    @Test
    public void JsoupDemo1() throws IOException {
        Document parse = Jsoup.parse(new File("文件位置\\student.xml"), "utf-8");
        Elements name = parse.select("name"); //查询所有 name 标签集合
        Element element = name.get(0);  // 获取 第一个 name 标签
        String text1 = element.text();// 将其转为String
        System.out.println(text1); // tom

        Elements age = parse.select("age"); //查询所有age标签
        String text2 = age.get(1).text();  //将第2个 age 标签1 并转为 String
        System.out.println(text2); // 30
    }

Jsoup解析本地xml 案例二

将XML 内容替换一下

<?xml version="1.0" encoding="UTF-8" ?>
<!-- 
	1.填写xml文档的根元素
	2.引入xsi前缀.  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
	3.引入xsd文件命名空间.  xsi:schemaLocation="http://www.itcast.cn/xml  student.xsd"
	4.为每一个xsd约束声明一个前缀,作为标识  xmlns="http://www.itcast.cn/xml"
 -->
<students xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
          xmlns="http://www.itcast.cn/xml"
          xsi:schemaLocation="http://www.itcast.cn/xml  student.xsd">

    <student number="persion1">
        <name>tom</name>
        <age id="888">18</age>
        <sex>male</sex>
    </student>
    <student number="persion2">
        <name>lucy</name>
        <age>30</age>
        <sex>female</sex>
    </student>

</students>

代码如下:

    @Test
    public void JsoupDemo2() throws IOException {
        Document parse = Jsoup.parse(new File("D:\\GovBuy\\1688\\src\\main\\resources\\student.xml"), "utf-8");
        Elements elementsByTag = parse.getElementsByTag("name");
        /**
         * <name>
         *  tom
         * </name>
         * <name>
         *  lucy
         * </name>
         */

        Elements elementsByAttribute = parse.getElementsByTag("name"); // 获取所有名为 name 的 标签。
        /**
         * <name>
         *  tom
         * </name>
         * <name>
         *  lucy
         * </name>
         */

        Element elementById = parse.getElementById("888");
        /**
         * <age id="888">
         *  18
         * </age>
         */

        Elements elementsByAttributeValue = parse.getElementsByAttributeValue("number","persion2");
        /**
         * <student number="persion2">
         *  <name>
         *   lucy
         *  </name>
         *  <age>
         *   30
         *  </age>
         *  <sex>
         *   female
         *  </sex>
         * </student>
         */

        Elements elementsByAttributeValue1 = parse.getElementsByAttributeValue("id","888"); // 这里等价于 getElementById("888");
        /**
         * <age id="888">
         *  18
         * </age>
         */
    }

具体玩法,需要根据XML 、HTML结构分析后,再处理。

初级总结:Jsoup解析XML过程涉及到的Java对象 及其常用方法

爬虫就是解析前端的DOM树。Dom树在Jsoup就是Document对象。

通过Jsoup对象解析URL将其转为Document对象,拿到Document对象通过 选择器API 获得指定的Elements集合,再去提取我们需要的Element就可以了。

Jsoup对象:调用Jsoup的入口

  • pasre(File file,String charset) 用于解析文件形式的XML、HTML等
  • parse(String html) 用于解析String形式的XMl、HTML等
  • parse(Url url ,Int timeoutMillis) 用于解析网络形式的XML、HTML等 指定超时时间 可以做小爬虫
  • select(String cssQuery) 用于查询项目中所有名叫:cssQuery的标签内容

Document对象:文档对象。代表内存中的Dom树

  • getElementsByTag(String tagName):根据标签名称,获取元素集合 即Elments
  • getElementsByAtttibute(Stirng key):根据标签的属性名称,获取元素集合 即Elments
  • getElementsByAttributeValue(Stirng key):根据属性值,获取元素集合 即Elments
  • getElementsById(String id):根据标签id,获取元素集合 即Elments。不常用

Elements:元素Element对象的集合。可以理解成 ArrayList<Element> 去使用

  • getElementByTag(String tagName):根据标签名称,获取元素 即Elment
  • getElementByAtttibute(Stirng key):根据标签的属性名称,获取元素 即Elment
  • getElementByAttributeValue(Stirng key):根据属性值,获取元素 即Elment
  • getElementById(String id):根据标签id,获取元素 即Elment。不常用
  • get(int index) :获取索引为index的元素对象
  • body():将会对原来的Document添加一个<body> </body> 标签

Element:元素对象

  • attr(String key):根据属性名称获取属性值 可以获取 href 的连接
  • text():获取子标签的纯文本内容 不含”<>”,”</>”
  • html():获取子标签和文本内容的子标签所有内容 包含 “<>”,”</>”

Node:节点对象

Jsoup高级案例

爬取百度页面的a标签

讲解一下 从Youtube网站上 https://www.youtube.com/watch?app=desktop&v=wzh5TCVnWZQ 看到的Jsoup

爬取 人家连接的超链:

    @Test
    public void Ahref() throws IOException {
        // 获取到DOM树
        Document parse = Jsoup.parse(new URL("https://www.baidu.com"),10000);
        // 获取到元素集合
        Elements elements = parse.select("a");
        // 遍历元素集合
        for (Element element : elements) {
            // 输出 元素中 属性为"href" 的属性值
            System.out.println(element.attr("href"));
        };
    }

间接 不完全等价于

@Test
    public void AhrefByTag() throws IOException {
        // 获取到DOM树
        Document parse = Jsoup.parse(new URL("https://www.baidu.com"),10000);
        // 获取到元素集合
        Elements elements = parse.getElementsByTag("a");
        // 遍历元素集合
        for (Element element : elements) {
            // 输出 元素中 属性为"href" 的属性值
            System.out.println(element.attr("href"));
        };
    }

间接 不完全等价于说明

parse.select("a[href]") 选择的是具有 href 属性的 <a> 元素
而 parse.select("a") 选择的是所有 <a> 元素,不考虑是否具有 href 属性。

第一个选择器 选择内容更加具体。

真实实战 – Jsoup获取HTML指定的元素的内容 – 使用CSS选择器爬虫

在Html找到元素

复制selector内容如下:

#tbl-main > table > tbody > tr > td:nth-child(1) > table > tbody > tr:nth-child(2) > td > span

使用我们的Java代码获取吧

        Integer itemId = 23439;
        // 获取到DOM树
        Document parse = Jsoup.parse(new URL("https://www.ffxiah.com/item/"+itemId),10000);
        // System.out.println(parse); 打印DOM树
        Elements select = parse.select("#tbl-main > table > tbody > tr > td:nth-child(1) > table > tbody > tr:nth-child(2) > td > span");
        System.out.println("通过复制浏览器Selector获取的路径得到;"+select);

        System.out.println("--------------");
        
        // 获取到元素集合
        List<String> strings = select.eachText();
        // 遍历元素集合
        for (String string : strings) {
            System.out.println(string);
        }

打印如下

通过复制浏览器Selector获取的路径得到;<span class="item-stats">[Head] All Races<br>DEF:123 HP+61 MP+86 STR+24 DEX+25 VIT+27 AGI+16 INT+38 MND+34 CHR+32 Accuracy+61 Magic Accuracy+61 "Magic Atk. Bonus"+51 Magic Damage+31 Evasion+83 Magic Evasion+136 "Magic Def. Bonus"+10 Enhancing magic skill +24 Haste+6% "Rapture"+21 "Ebullience"+21 "Regen" potency +25% Damage taken -10% Set: Augments grimoire<br>LV 99 SCH</span>
--------------
[Head] All Races DEF:123 HP+61 MP+86 STR+24 DEX+25 VIT+27 AGI+16 INT+38 MND+34 CHR+32 Accuracy+61 Magic Accuracy+61 "Magic Atk. Bonus"+51 Magic Damage+31 Evasion+83 Magic Evasion+136 "Magic Def. Bonus"+10 Enhancing magic skill +24 Haste+6% "Rapture"+21 "Ebullience"+21 "Regen" potency +25% Damage taken -10% Set: Augments grimoire LV 99 SCH

真实实战 – Jsoup获取HTML指定的元素的内容 – 使用XPath爬虫

在Html找到元素

复制的XPath如下:

//*[@id="tbl-main"]/table/tbody/tr/td[1]/table/tbody/tr[2]/td/span

代码直接操作:

        Integer itemId = 23439;
        // 获取到DOM树
        Document parse = Jsoup.parse(new URL("https://www.ffxiah.com/item/"+itemId),10000);
        // System.out.println(parse); 打印DOM树
        Elements select = parse.selectXpath("//*[@id=\"tbl-main\"]/table/tbody/tr/td[1]/table/tbody/tr[2]/td/span");
        System.out.println("通过复制浏览器XPath获取的路径得到;"+select);

        System.out.println("--------------");

        // 获取到元素集合
        List<String> strings = select.eachText();
        // 遍历元素集合
        for (String string : strings) {
            System.out.println(string);
        }

打印如下:

通过复制浏览器Selector获取的路径得到;<span class="item-stats">[Head] All Races<br>DEF:123 HP+61 MP+86 STR+24 DEX+25 VIT+27 AGI+16 INT+38 MND+34 CHR+32 Accuracy+61 Magic Accuracy+61 "Magic Atk. Bonus"+51 Magic Damage+31 Evasion+83 Magic Evasion+136 "Magic Def. Bonus"+10 Enhancing magic skill +24 Haste+6% "Rapture"+21 "Ebullience"+21 "Regen" potency +25% Damage taken -10% Set: Augments grimoire<br>LV 99 SCH</span>
--------------
[Head] All Races DEF:123 HP+61 MP+86 STR+24 DEX+25 VIT+27 AGI+16 INT+38 MND+34 CHR+32 Accuracy+61 Magic Accuracy+61 "Magic Atk. Bonus"+51 Magic Damage+31 Evasion+83 Magic Evasion+136 "Magic Def. Bonus"+10 Enhancing magic skill +24 Haste+6% "Rapture"+21 "Ebullience"+21 "Regen" potency +25% Damage taken -10% Set: Augments grimoire LV 99 SCH

本篇Jsoup总结

程序员在爬虫的时候学会CSS选择器、XPath爬虫就足够应对日常的爬虫需求了!

特殊说明:
上述文章均是作者实际操作后产出。烦请各位,请勿直接盗用!转载记得标注原文链接:www.zanglikun.com
第三方平台不会及时更新本文最新内容。如果发现本文资料不全,可访问本人的Java博客搜索:标题关键字。以获取全部资料 ❤