Java實現(xiàn)爬蟲給App提供數(shù)據(jù)（Jsoup 網(wǎng)絡(luò)爬蟲）

更新時間：2020年07月31日 11:57:06 作者：學習編程知識

這篇文章主要介紹了Java實現(xiàn)爬蟲給App提供數(shù)據(jù)，即Jsoup 網(wǎng)絡(luò)爬蟲，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下

一、需求

最近基于 Material Design 重構(gòu)了自己的新聞 App，數(shù)據(jù)來源是個問題。

有前人分析了知乎日報、鳳凰新聞等 API，根據(jù)相應(yīng)的 URL 可以獲取新聞的 JSON 數(shù)據(jù)。為了鍛煉寫代碼能力，筆者打算爬蟲新聞頁面，自己獲取數(shù)據(jù)構(gòu)建 API。

二、效果圖

下圖是原網(wǎng)站的頁面

爬蟲獲取了數(shù)據(jù)，展示到 APP 手機端

三、爬蟲思路

關(guān)于App 的實現(xiàn)過程可以參看這幾篇文章，本文主要講解一下如何爬蟲數(shù)據(jù)。

Android下錄制App操作生成Gif動態(tài)圖的全過程：//www.fzitv.net/article/78236.htm
學習Android Material Design（RecyclerView代替ListView）：//www.fzitv.net/article/78232.htm
Android項目實戰(zhàn)之仿網(wǎng)易新聞的頁面（RecyclerView ）：//www.fzitv.net/article/78230.htm

Jsoup 簡介

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(nèi)容。

Jsoup主要有以下功能：

- 從一個URL，文件或字符串中解析HTML；
- 使用DOM或CSS選擇器來查找、取出數(shù)據(jù)；
- 對HTML元素、屬性、文本進行操作；
- 清除不受信任的HTML (來防止XSS攻擊)

四、爬蟲過程

Get 請求獲取網(wǎng)頁 HTML

新聞網(wǎng)頁Html的DOM樹如下所示：

下面這段代碼根據(jù)指定的 url，用代碼獲取get 請求返回的 html 源代碼。

public static String doGet(String urlStr) throws CommonException {
 URL url;
 String html = "";
 try {
 url = new URL(urlStr);
 HttpURLConnection connection = (HttpURLConnection) url.openConnection();
 connection.setRequestMethod("GET");
 connection.setConnectTimeout(5000);
 connection.setDoInput(true);
 connection.setDoOutput(true);
 if (connection.getResponseCode() == 200) {
 InputStream in = connection.getInputStream();
 html = StreamTool.inToStringByByte(in);
 } else {
 throw new CommonException("新聞服務(wù)器返回值不為200");
 }
 } catch (Exception e) {
 e.printStackTrace();
 throw new CommonException("get請求失敗");
 }
 return html;
}

InputStream in = connection.getInputStream();將得到輸入流轉(zhuǎn)化為字符串是個普遍需求，我們將其抽象出來，寫一個工具方法。

public class StreamTool {
 public static String inToStringByByte(InputStream in) throws Exception {
 ByteArrayOutputStream outStr = new ByteArrayOutputStream();
 byte[] buffer = new byte[1024];
 int len = 0;
 StringBuilder content = new StringBuilder();
 while ((len = in.read(buffer)) != -1) {
 content.append(new String(buffer, 0, len, "UTF-8"));
 }
 outStr.close();
 return content.toString();
 }
}

五、解析 HTML 獲取標題

利用 google 瀏覽器的審查元素，找出新聞標題對于的html 代碼：

<div id="article_title">
 <h1>
 <a >
 關(guān)于舉辦《經(jīng)典音樂作品欣賞與人文審美》講座的通知
 </a>
 </h1>
</div>

我們需要從上面的 HTML 中找出id="article_title"的部分，使用 getElementById(String id) 方法

String htmlStr = HttpTool.doGet(urlStr);

// 將獲取的網(wǎng)頁 HTML 源代碼轉(zhuǎn)化為 Document
Document doc = Jsoup.parse(htmlStr);

Element articleEle = doc.getElementById("article");
// 標題
Element titleEle = articleEle.getElementById("article_title");
String titleStr = titleEle.text();

六、獲取發(fā)布日期、信息來源

同樣找出對于的 HTML 代碼

<html>
 <head></head>
 <body>
 <div id="article_detail"> 
 <span> 2015-05-28 </span> 
 <span> 來源: </span> 
 <span> 瀏覽次數(shù): <script language="JavaScript" src="http://see.xidian.edu.cn/index.php/news/click/id/7428">
 </script> 477 </span> 
 </div>
 </body>
</html>

思路也和上面類似，使用 getElementById(String id) 方法找出id="article_detail"為Element，再利用getElementsByTag獲取span 部分。因為一共有3個<span> ... </span>，所以返回的是Elements而不是Element。

// article_detail包括了 2016-01-15 來源: 瀏覽次數(shù):177
Element detailEle = articleEle.getElementById("article_detail");
Elements details = detailEle.getElementsByTag("span");

// 發(fā)布時間
String dateStr = details.get(0).text();

// 新聞來源
String sourceStr = details.get(1).text();

七、解析瀏覽次數(shù)

如果打印出上面的details.get(2).text()，只會得到

瀏覽次數(shù):
沒有瀏覽次數(shù)？為什么呢？

因為瀏覽次數(shù)是JavaScript 渲染出來的， Jsoup爬蟲可能僅僅提取HTML內(nèi)容，得不到動態(tài)渲染出的數(shù)據(jù)。
解決方法有兩種

在爬蟲的時候，內(nèi)置一個瀏覽器內(nèi)核，執(zhí)行js渲染頁面后，再抓取。這方面對應(yīng)的工具有Selenium、HtmlUnit或者PhantomJs。
所以分析JS請求，找到對應(yīng)數(shù)據(jù)的請求url

如果你訪問上面的 urlhttp://see.xidian.edu.cn/index.php/news/click/id/7428，會得到下面的結(jié)果

document.write(478)

這個478就是我們需要的瀏覽次數(shù)，我們對上面的url做get 請求，得到返回的字符串，利用正則找出其中的數(shù)字。

// 訪問這個新聞頁面，瀏覽次數(shù)會+1，次數(shù)是 JS 渲染的
String jsStr = HttpTool.doGet(COUNT_BASE_URL + currentPage);
int readTimes = Integer.parseInt(jsStr.replaceAll("\\D+", ""));
// 或者使用下面這個正則方法
// String readTimesStr = jsStr.replaceAll("[^0-9]", "");

八、解析新聞內(nèi)容

本來是獲取新聞內(nèi)容純文字的形式，但后來發(fā)現(xiàn) Android 端也可以顯示 CSS 格式，所以后來內(nèi)容保留了 HTML 格式。

Element contentEle = articleEle.getElementById("article_content");
// 新聞主體內(nèi)容
String contentStr = contentEle.toString();
// 如果用 text()方法，新聞主體內(nèi)容的 html 標簽會丟失
// 為了在 Android 上用 WebView 顯示 html，用toString()
// String contentStr = contentEle.text();

九、解析圖片 Url

注意一個網(wǎng)頁上大大小小的圖片很多，為了只獲取新聞?wù)闹械膬?nèi)容，我們最好首先定位到新聞內(nèi)容的Element，然后再利用getElementsByTag(“img”)篩選出圖片。

Element contentEle = articleEle.getElementById("article_content");
// 新聞主體內(nèi)容
String contentStr = contentEle.toString();
// 如果用 text()方法，新聞主體內(nèi)容的 html 標簽會丟失
// 為了在 Android 上用 WebView 顯示 html，用toString()
// String contentStr = contentEle.text();

Elements images = contentEle.getElementsByTag("img");
String[] imageUrls = new String[images.size()];
for (int i = 0; i < imageUrls.length; i++) {
 imageUrls[i] = images.get(i).attr("src");
}

十、新聞實體類 JavaBean

上面獲取了新聞的標題、發(fā)布日期、閱讀次數(shù)、新聞內(nèi)容等等，我們自然需要構(gòu)造一個 javabean，把獲取的內(nèi)容封裝進實體類中。

public class ArticleItem {

 private int index;
 private String[] imageUrls;
 private String title;
 private String publishDate;
 private String source;
 private int readTimes;
 private String body;

 public ArticleItem(int index, String[] imageUrls, String title, String publishDate, String source, int readTimes,
 String body) {
 this.index = index;
 this.imageUrls = imageUrls;
 this.title = title;
 this.publishDate = publishDate;
 this.source = source;
 this.readTimes = readTimes;
 this.body = body;
 }

 @Override
 public String toString() {
 return "ArticleItem [index=" + index + ",\n imageUrls=" + Arrays.toString(imageUrls) + ",\n title=" + title
 + ",\n publishDate=" + publishDate + ",\n source=" + source + ",\n readTimes=" + readTimes + ",\n body=" + body
 + "]";
 }


}

測試

public static ArticleItem getNewsItem(int currentPage) throws CommonException {
 // 根據(jù)后綴的數(shù)字，拼接新聞 url
 String urlStr = ARTICLE_BASE_URL + currentPage + ".html";

 String htmlStr = HttpTool.doGet(urlStr);

 Document doc = Jsoup.parse(htmlStr);

 Element articleEle = doc.getElementById("article");
 // 標題
 Element titleEle = articleEle.getElementById("article_title");
 String titleStr = titleEle.text();

 // article_detail包括了 2016-01-15 來源: 瀏覽次數(shù):177
 Element detailEle = articleEle.getElementById("article_detail");
 Elements details = detailEle.getElementsByTag("span");

 // 發(fā)布時間
 String dateStr = details.get(0).text();

 // 新聞來源
 String sourceStr = details.get(1).text();

 // 訪問這個新聞頁面，瀏覽次數(shù)會+1，次數(shù)是 JS 渲染的
 String jsStr = HttpTool.doGet(COUNT_BASE_URL + currentPage);
 int readTimes = Integer.parseInt(jsStr.replaceAll("\\D+", ""));
 // 或者使用下面這個正則方法
 // String readTimesStr = jsStr.replaceAll("[^0-9]", "");

 Element contentEle = articleEle.getElementById("article_content");
 // 新聞主體內(nèi)容
 String contentStr = contentEle.toString();
 // 如果用 text()方法，新聞主體內(nèi)容的 html 標簽會丟失
 // 為了在 Android 上用 WebView 顯示 html，用toString()
 // String contentStr = contentEle.text();

 Elements images = contentEle.getElementsByTag("img");
 String[] imageUrls = new String[images.size()];
 for (int i = 0; i < imageUrls.length; i++) {
 imageUrls[i] = images.get(i).attr("src");
 }

 return new ArticleItem(currentPage, imageUrls, titleStr, dateStr, sourceStr, readTimes, contentStr);

}

public static void main(String[] args) throws CommonException {
 System.out.println(getNewsItem(7928));
}

輸出信息

ArticleItem [index=7928,
 imageUrls=[/uploads/image/20160114/20160114225911_34428.png],
 title=電院2014級開展“讓誠信之花開遍冬日校園”教育活動,
 publishDate=2016-01-14,
 source=來源: 電影新聞網(wǎng),
 readTimes=200,
 body=<div id="article_content">
 <p style="text-indent:2em;" align="justify"> <strong><span style="font-size:16px;line-height:1.5;">西電新聞網(wǎng)訊</span></strong><span style="font-size:16px;line-height:1.5;">&nbsp;（通訊員</span><strong><span style="font-size:16px;line-height:1.5;"> 丁彤 王朱丹</span></strong><span style="font-size:16px;line-height:1.5;">...）

本文講解了如何實現(xiàn)Jsoup 網(wǎng)絡(luò)爬蟲，如果文章對您有幫助，那就給個贊吧。

您可能感興趣的文章: