JAVA爬取网页内容

之前的文章没有整理好，这边重新标注一下，有需要可以到我的个人博客看完整的三篇文章。

1.初识Jsoup

2.爬取CSDN文章

3.模拟用户表单登录

在此之前，大家先了解一个Jsoup，一个html页面解析的jar包。

如果你上面的Jsoup看完了。

前期准备工作：需要去查看一下要爬的网页的结构，对自己要爬的数据的标签要熟悉。

操作：在页面上按F12查看标签的内容。


就是js+css+html标签的构造，我们使用比较多的是a、img这两个标签。第一个是链接，第二个是图片所以图片也是可以爬的~~。里面的内容也都是一个链接地址。

其余的标签就可能是文本数据的内容了。比如说我现在想要爬的就是这个标题中的链接。



和标题的内容。找到这里看到这个标签的href值。

使用Jsoup的方法：Elements elements = doc.getElementsByTag("a");//找到所有a标签

对a标签进行过滤就行了

也可以直接获取class标签下的内容，再在这个class下找到a标签获取a标签的href属性值。

好了就是这么简单。接下来看看代码吧。

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class MySearchTest {
private static String url = "http://blog.csdn.net";
private static String blogName = "guoxiaolongonly";

public static void main(String[] args) {
getArticleListFromUrl(url+"/" + blogName);
}
/**
* 获取文章列表
* @param listurl
*/
public static void getArticleListFromUrl(String listurl) {
Document doc = null;
try {
doc = Jsoup.connect(listurl).userAgent("Mozilla/5.0").timeout(3000).post();
} catch (IOException e) {
e.printStackTrace();
}
// System.out.println(doc);
Elements elements = doc.getElementsByTag("a");//找到所有a标签
for (Element element : elements) {
String relHref = element.attr("href"); // == "/"这个是href的属性值，一般都是链接。这里放的是文章的连接
String linkHref = element.text();
//用if语句过滤掉不是文章链接的内容。因为文章的链接有两个，但评论的链接只有一个，反正指向相同的页面就拿评论的链接来用吧
if (!relHref.startsWith("http://") && relHref.contains("details") && relHref.endsWith("comments"))
{
StringBuffer sb = new StringBuffer();
sb.append(url).append(relHref);
System.out.println(sb.substring(0, sb.length() - 9));//去掉最后的#comment输出
getArticleFromUrl(sb.substring(0, sb.length() - 9));//可以通过这个url获取文章了
}
//			System.out.println(linkHref);
if(linkHref.equals("下一页"))//如果有下一页
{
getArticleListFromUrl(url + relHref);//获取下一页的列表
}
}

}
/**
* 获取文章内容
* @param detailurl
*/
public static void getArticleFromUrl(String detailurl) {
try {
Document document = Jsoup.connect(detailurl).userAgent("Mozilla/5.0").timeout(3000).post();
Element elementTitle = document.getElementsByClass("link_title").first();//标题。 这边根据class的内容来过滤
System.out.println(elementTitle.text());
String filename = elementTitle.text().replaceAll("/", "或");
Element elementContent = document.getElementsByClass("article_content").first();//内容。
saveArticle(filename , elementContent.text(), blogName);
// String Content =elementContent.te  xt().replaceAll(" ", "\t");
// System.out.println(elementContent.text()+"\n");
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}

}

/**
* 保存文章到本地
* @param titile
* @param content
* @param blogName
*/
public static void saveArticle(String titile, String content, String blogName) {
String lujing = "d:\\MyLoadArticle\\" + blogName + "\\" + titile + ".txt";//保存到本地的路径和文件名
File file = new File(lujing);
if (!file.getParentFile().exists()) {
file.getParentFile().mkdirs();
}
try {
file.createNewFile();
} catch (IOException e) {
e.printStackTrace();
}

try {
FileWriter fw = new FileWriter(file, true);
BufferedWriter bw = new BufferedWriter(fw);
bw.write(content);
bw.flush();
bw.close();
fw.close();
} catch (IOException e) {
e.printStackTrace();
}

}
}

我封装了获取文章列表、获取文章内容保存文章内容的方法。

大家可以设置blogName去爬你想要的文章了，比如说我：guoxiaolongonly

这边用post模拟浏览器请求。因为直接get，页面无法加载。还有就是使用cookie，模拟用户用户页面访问操作。会的小伙伴们也可以交流一下~~


针对文本文档编码乱码问题。还希望大家自己研究一下。