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<String>>	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<String>	获取所有元素的文本内容列表。
eachAttr(String attributeKey)	否	String attributeKey	List<String>	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 <div> 标签：div
• 选择所有 <a> 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 <a> 标签：a[href]
• 选择所有 href 属性值为 http://example.com 的 <a> 标签：a[href="http://example.com"]
• 选择所有 href 属性值包含 example 的 <a> 标签：a[href*="example"]
• 选择所有 href 属性值以 http 开头的 <a> 标签：a[href^="http"]
• 选择所有 href 属性值以 .html 结尾的 <a> 标签：a[href$=".html"]
• 选择所有 src 属性值匹配正则表达式的 <img> 标签：img[src~=(?i)(png|jpe?g)]

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 <div> 内部的 <p> 标签：div p

2. 子选择器

• 选择所有直接在 <div> 内部的 <p> 标签：div > p

3. 相邻兄弟选择器

• 选择所有紧接在 <h1> 后面的 <p> 标签：h1 + p

4. 通用兄弟选择器

• 选择所有在 <h1> 后面的 <p> 标签：h1 ~ p

5. 元素+ID

• 选择所有带有 ID 为 logo 的 <div> 标签：div#logo

6. 元素+类

• 选择所有带有 class="title" 的 <div> 标签：div.title

7. 元素+属性

• 选择所有带有 href 属性的 <a> 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 <a> 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 <td> 标签：td:lt(3)
• 选择索引值大于 2 的 <p> 标签：div p:gt(2)
• 选择索引值等于 1 的 <input> 标签：form input:eq(1)

2. 包含选择器

• 选择包含 <p> 标签的 <div> 标签：div:has(p)
• 选择不包含 class="logo" 的所有 <div> 标签：div:not(.logo)

3. 文本匹配选择器

• 选择包含文本 jsoup 的 <p> 标签：p:contains(jsoup)
• 选择直接包含文本 jsoup 的 <p> 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 <div> 标签：div:matches((?i)login)
• 选择自身包含文本匹配正则表达式的 <div> 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：