1.Jsoup簡述

Java中支持的爬蟲框架有很多，比如WebMagic、Spider、Jsoup等。今天我們使用Jsoup來實現(xiàn)一個簡單的爬蟲程序。

Jsoup擁有十分方便的api來處理html文檔，比如參考了DOM對象的文檔遍歷方法，參考了CSS選擇器的用法等等，因此我們可以使用Jsoup快速地掌握爬取頁面數(shù)據(jù)的技巧。

2.快速開始

1)編寫HTML頁面

頁面中表格的商品信息是我們要爬取的數(shù)據(jù)。其中屬性pname類的商品名稱，以及屬于pimg類的商品圖片。

2)使用HttpClient讀取HTML頁面

HttpClient是一個處理Http協(xié)議數(shù)據(jù)的工具，使用它可以將HTML頁面作為輸入流讀進java程序中。可以從http://hc.apache.org/下載HttpClient的jar包。

3)使用Jsoup解析html字符串

通過引入Jsoup工具，直接調(diào)用parse方法來解析一個描述html頁面內(nèi)容的字符串來獲得一個Document對象。該Document對象以操作DOM樹的方式來獲得html頁面上指定的內(nèi)容。相關(guān)API可以參考Jsoup官方文檔：https://jsoup.org/cookbook/

下面我們使用Jsoup來獲取上述html中指定的商品名稱和價格的信息。

至此，我們已經(jīng)實現(xiàn)使用HttpClient+Jsoup爬取HTML頁面數(shù)據(jù)的功能。接下來，我們讓效果更直觀一些，比如將爬取的數(shù)據(jù)存到數(shù)據(jù)庫中，將圖片存到服務(wù)器上。

3.保存爬取的頁面數(shù)據(jù)

1)保存普通數(shù)據(jù)到數(shù)據(jù)庫中

將爬取的數(shù)據(jù)封裝進實體Bean中，并存到數(shù)據(jù)庫內(nèi)。

2)保存圖片到服務(wù)器上

直接通過下載圖片的方式將圖片保存到服務(wù)器本地。

4.總結(jié)

本案簡單實現(xiàn)了使用HttpClient+Jsoup爬取網(wǎng)絡(luò)數(shù)據(jù)，對于爬蟲技術(shù)本身，還有很多值得深挖的地方，以后再為大家講解。

本文來自千鋒教育，轉(zhuǎn)載請注明出處。

總結(jié)

以上是生活随笔為你收集整理的Java培训教程之使用Jsoup实现简单的爬虫技术的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。