利用 Jsoup 进行高效 Web 抓取与 HTML 处理

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。它提供了一套非常省力的 API，可通过 DOM，CSS 以及类似于 JQuery 的操作方法来取出和操作数据。

官网：https://jsoup.org/

中文文档：Jsoup 快速入门 | JAVA-TUTORIAL

1. Jsoup相关概念

1. Document

• 定义：Document 对象表示整个 HTML 文档。
• 用途：用于解析 HTML 字符串或从 URL 获取 HTML 内容。

2. Element

• 定义：Element 对象表示 HTML 中的一个标签元素。
• 用途：用于选择和操作具体的 HTML 元素。

3. Elements

• 定义：Elements 对象是一个 Element 对象的集合。
• 用途：用于存储多个匹配的元素。

4. Node

• 定义：Node 是 Element 和 Text 的基类，表示 HTML 文档中的节点。
• 用途：用于更细粒度的操作，如处理注释、文档类型声明等。

5. TextNode

• 定义：TextNode 表示 HTML 文档中的纯文本节点。
• 用途：用于处理元素内的文本内容。

6. CSS 选择器

• 定义：CSS 选择器是一种用于选择 HTML 元素的语法。
• 用途：用于精确选择文档中的特定元素。
• 常用选择器：
  • #id：选择具有指定 ID 的元素。
  • .class：选择具有指定类的元素。
  • tag：选择指定标签的元素。
  • tag[attr]：选择具有指定属性的元素。
  • tag[attr=value]：选择具有指定属性值的元素。

7. 连接和请求

• 定义：Jsoup 提供了连接到 URL 并获取 HTML 文档的功能。
• 用途：用于从远程服务器获取 HTML 内容。

2.Jsoup 的优点

1.易用性：

• 简洁的 API：Jsoup 提供了非常简洁和直观的 API，使得开发者可以快速上手。
• 链式调用：支持链式调用，使代码更加简洁和可读。

2.强大的解析能力：

• HTML 解析：能够解析不规范的 HTML，即使 HTML 结构不完整也能正确解析。
• CSS 选择器：支持类似于 jQuery 的 CSS 选择器，方便提取和操作 HTML 元素。

3.网络请求：

• HTTP 请求：内置了简单的 HTTP 客户端，可以方便地发送 GET 和 POST 请求。
• 自动处理重定向：支持自动处理 HTTP 重定向。

4.安全性：

• HTML 清洗：提供了 Jsoup.clean 方法，可以清理 HTML 以防止 XSS 攻击，确保输出的安全性。

3.Jsoup 的缺点

1.性能问题：

• 内存消耗：在处理大文件或大量数据时，Jsoup 可能会消耗较多的内存，尤其是在解析复杂的 HTML 文档时。
• 速度较慢：与一些低级别的解析库相比，Jsoup 的解析速度可能稍慢，特别是在高并发场景下。

2.功能限制：

• 有限的 HTTP 功能：虽然内置了 HTTP 客户端，但功能相对简单，对于复杂的需求（如多线程请求、高级认证等）可能需要额外的库支持。
• 缺乏高级特性：相比于一些更专业的爬虫框架（如 Scrapy），Jsoup 缺乏一些高级特性，如分布式爬取、自动反爬机制等。

3.依赖管理：

• 依赖项：Jsoup 本身依赖较少，但在实际项目中可能需要引入其他库来补充其功能，增加了项目的复杂性。

4.错误处理：

• 异常处理：Jsoup 的异常处理机制较为简单，对于一些复杂的错误情况可能需要开发者自行处理。

4. 执行流程

4.1. 添加依赖

<dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.14.3</version>
</dependency>

4.2. 获取 Document

Jsoup 类方法列表：

方法名称

是否静态

参数

返回值

描述

parse(String html)

是

String html

Document

从字符串中解析 HTML 并返回一个 Document 对象。

parse(File in, String charsetName)

是

File in, String charsetName

Document

从文件中解析 HTML 并返回一个 Document 对象。

parse(URL url, int timeoutMillis)

是

URL url, int timeoutMillis

Document

从 URL 中解析 HTML 并返回一个 Document 对象。

connect(String url)

是

String url

Connection

创建一个新的 Connection 对象，用于发送 HTTP 请求。

Connection 类方法列表：

方法名称

是否静态

参数

返回值

描述

method(Method method)

否

Method method

Connection

设置请求方法（GET、POST 等）。

url(URL url)

否

URL url

Connection

设置请求的 URL。

requestBody(String requestBody)

否

String requestBody

Connection

设置请求体内容。

data(String key, String value)

否

String key, String value

Connection

添加表单数据。

header(String key, String value)

否

String key, String value

Connection

添加请求头。

userAgent(String userAgent)

否

String userAgent

Connection

设置 User-Agent。

referrer(String referrer)

否

String referrer

Connection

设置 Referer。

timeout(int millis)

否

int millis

Connection

设置连接超时时间（毫秒）。

followRedirects(boolean follow)

否

boolean follow

Connection

设置是否自动跟随重定向。

ignoreHttpErrors(boolean ignore)

否

boolean ignore

Connection

设置是否忽略 HTTP 错误（如 404）。

ignoreContentType(boolean ignore)

否

boolean ignore

Connection

设置是否忽略内容类型检查。

maxBodySize(int maxSize)

否

int maxSize

Connection

设置响应体的最大大小（字节）。

cookie(String key, String value)

否

String key, String value

Connection

添加 Cookie。

cookies(Map<String, String> cookies)

否

Map<String, String> cookies

Connection

添加多个 Cookie。

execute()

否

无

Connection.Response

执行请求并返回响应对象。

get()

否

无

Document

发送 GET 请求并返回解析后的 Document 对象。

post()

否

无

Document

发送 POST 请求并返回解析后的 Document 对象。

Connection.Response 类方法列表：

方法名称

是否静态

参数

返回值

描述

body()

否

无

String

获取响应体内容。

parse()

否

无

Document

解析响应体为 Document 对象。

statusCode()

否

无

int

获取响应状态码。

statusMessage()

否

无

String

获取响应状态消息。

url()

否

无

URL

获取最终请求的 URL（可能经过重定向）。

headers()

否

无

Map<String, List>

获取响应头。

header(String key)

否

String key

String

获取指定响应头的值。

cookies()

否

无

Map<String, String>

获取响应中的 Cookie。

cookie(String key)

否

String key

String

获取指定 Cookie 的值。

4.3. 获取Element 或 Elements 及 文本内容

Document 类方法列表：

方法名称

是否静态

参数

返回值

描述

title()

否

无

String

获取文档的标题。

select(String cssQuery)

否

String cssQuery

Elements

使用 CSS 选择器选择元素。

getElementsByTag(String tagName)

否

String tagName

Elements

获取指定标签名的所有元素。

getElementById(String id)

否

String id

Element

获取指定 ID 的元素。

html()

否

无

String

获取文档的 HTML 内容。

text()

否

无

String

获取文档的文本内容。

Elements 类方法列表：

方法名称

是否静态

参数

返回值

描述

first()

否

无

Element

获取第一个元素。

last()

否

无

Element

获取最后一个元素。

size()

否

无

int

获取元素的数量。

get(int index)

否

int index

Element

获取指定索引的元素。

eachText()

否

无

List

获取所有元素的文本内容列表。

eachAttr(String attributeKey)

否

String attributeKey

List

获取所有元素的指定属性值列表。

Element 类方法列表：

方法名称

是否静态

参数

返回值

描述

attr(String key)

否

String key

String

获取元素的属性值。

removeAttr(String key)

否

String key

Element

移除元素的属性。

addClass(String className)

否

String className

Element

添加 CSS 类。

removeClass(String className)

否

String className

Element

移除 CSS 类。

text()

否

无

String

获取元素的文本内容。

html()

否

无

String

获取元素的 HTML 内容。

append(String html)

否

String html

Element

在元素末尾追加 HTML。

prepend(String html)

否

String html

Element

在元素开头插入 HTML。

select(String cssQuery)

否

String cssQuery

Elements

使用 CSS 选择器选择子元素。

5.CSS 选择器

5.1.基本选择器

1.标签选择器

• 选择所有
  标签：div
• 选择所有 标签：a

2.类选择器

• 选择所有带有 class=“example” 的元素：.example

3.ID 选择器

• 选择 ID 为 example 的元素：#example

4.属性选择器

• 选择所有带有 href 属性的 标签：a[href]
• 选择所有 href 属性值为 http://example.com 的 标签：a[href=“http://example.com”]
• 选择所有 href 属性值包含 example 的 标签：a[href*=“example”]
• 选择所有 href 属性值以 http 开头的 标签：a[href^=“http”]
• 选择所有 href 属性值以 .html 结尾的 标签：a[href$=“.html”]
• 选择所有 src 属性值匹配正则表达式的 标签：img[src~=(i)(png|jpeg)]

5.命名空间选择器

• 选择所有在 fb 命名空间中的 name 标签：fb|name

6.通配符选择器

• 选择所有元素：*

5.2.组合选择器

1.后代选择器

• 选择所有在
  内部的

  标签：div p

2.子选择器

• 选择所有直接在
  内部的

  标签：div > p

3.相邻兄弟选择器

• 选择所有紧接在

  后面的

  标签：h1 + p

4.通用兄弟选择器

• 选择所有在

  后面的

  标签：h1 ~ p

5.元素+ID

• 选择所有带有 ID 为 logo 的
  标签：div#logo

6.元素+类

• 选择所有带有 class=“title” 的
  标签：div.title

7.元素+属性

• 选择所有带有 href 属性的 标签：a[href]

8. 多个类选择器

• 选择所有同时带有 class=“info” 和 class=“active” 的元素：.info.active

9.多个选择器组合

• 选择所有带有 class=“highlight” 且带有 href 属性的 标签：a[href].highlight

5.3.伪类选择器

1.索引选择器

• 选择索引值小于 3 的 标签：td:lt(3)
• 选择索引值大于 2 的

  标签：div p:gt(2)

• 选择索引值等于 1 的 标签：form input:eq(1)

2. 包含选择器

• 选择包含

  标签的

  标签：div:has§

• 选择不包含 class=“logo” 的所有
  标签：div:not(.logo)

3.文本匹配选择器

• 选择包含文本 jsoup 的

  标签：p:contains(jsoup)

• 选择直接包含文本 jsoup 的

  标签：p:containsOwn(jsoup)

4.正则表达式匹配选择器

• 选择文本匹配正则表达式的
  标签：div:matches((i)login)
• 选择自身包含文本匹配正则表达式的
  标签：div:matchesOwn((i)login)

6. 实战示例

以爬取https://ssr3.scrape.center/这个网站为例：

1. 获取所有电影信息。

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.junit.jupiter.api.Test;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.http.HttpHeaders;import java.io.IOException;@SpringBootTest
public class JsoupTests {@Testpublic void testJsoup() throws IOException {String url = "https://ssr3.scrape.center/";Document document = Jsoup.connect(url).header(HttpHeaders.AUTHORIZATION, "Basic YWRtaW46YWRtaW4=").get();// 解析电影信息Elements movieItems = document.select(".el-card__body");for (Element item : movieItems) {// 提取电影名称和链接Element nameLink = item.select("a.name").first();if (nameLink != null) {String movieName = nameLink.select("h2").text();String movieUrl = nameLink.attr("href");// 提取电影封面URLElement coverImage = item.select("img.cover").first();String coverImageUrl = coverImage != null ? coverImage.attr("src") : "N/A";// 提取电影类别String category = item.select(".el-button.category").text();// 提取国家和片长Elements infoElements = item.select(".info");String countryAndDuration = infoElements.get(0).text();String[] parts = countryAndDuration.split(" / ");String country = parts[0];String duration = parts[1];// 提取上映日期String releaseDate = infoElements.get(1).text();// 提取评分String score = item.select(".score").text();// 提取星级评分String starRating = item.select(".el-rate").attr("aria-valuenow");// 打印提取的信息System.out.println("电影名称: " + movieName);System.out.println("电影链接: " + movieUrl);System.out.println("电影封面URL: " + coverImageUrl);System.out.println("电影类别: " + category);System.out.println("国家: " + country);System.out.println("片长: " + duration);System.out.println("上映日期: " + releaseDate);System.out.println("评分: " + score);System.out.println("星级评分: " + starRating);System.out.println("----------------------------");}}}
}

测试结果为：

2. 打印所有电影的电影类别、国家和片长、上映日期、评分、星级评分、总条数及页面链接

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.junit.jupiter.api.Test;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.http.HttpHeaders;import java.io.IOException;@SpringBootTest
public class JsoupTests {public static void main(String[] args) {String url = "https://ssr3.scrape.center/";try {// 连接并获取文档Document document = Jsoup.connect(url).header("Authorization", "Basic YWRtaW46YWRtaW4=").get();// 提取电影类别Elements categoryButtons = document.select(".el-button.category");for (Element button : categoryButtons) {System.out.println("电影类别: " + button.text());}// 提取国家和片长Elements infoDivs = document.select(".info");for (Element div : infoDivs) {System.out.println("国家和片长: " + div.text());}// 提取上映日期Elements releaseDateDivs = document.select(".info:contains(上映)");for (Element div : releaseDateDivs) {System.out.println("上映日期: " + div.text());}// 提取评分Elements scoreElements = document.select(".score");for (Element score : scoreElements) {System.out.println("评分: " + score.text());}// 提取星级评分Elements rateElements = document.select(".el-rate");for (Element rate : rateElements) {int fullStars = rate.select(".el-rate__icon.el-icon-star-on").size();int halfStar = rate.select(".el-rate__decimal.el-icon-star-on").size();double rating = fullStars + (halfStar > 0 ? 0.5 : 0);System.out.println("星级评分: " + rating);}// 提取分页信息Element pagination = document.select(".el-pagination").first();if (pagination != null) {String totalItems = pagination.select(".el-pagination__total").text();System.out.println("总条数: " + totalItems);Elements pageLinks = pagination.select(".el-pager li.number a");for (Element link : pageLinks) {System.out.println("页面链接: " + link.attr("href"));}}} catch (IOException e) {e.printStackTrace();}}
}

打印结果：