篇首语:本文由编程笔记#小编为大家整理,主要介绍了Android实战——jsoup实现网络爬虫,糗事百科项目的起步相关的知识,希望对你有一定的参考价值。
本篇文章包括以下内容:
- 前言
- jsoup的简介
- jsoup的配置
- jsoup的使用
- 结语
对于Android初学者想要做项目时,最大的烦恼是什么?毫无疑问是数据源的缺乏,当然可以选择第三方接口提供数据,也可以使用网络爬虫获取数据,这样就不用第三方数据作为支持。本来是打算爬一些购物网站的数据,由于他们的反爬做得好,所以没办法爬到数据,只能爬取糗事百科的数据,或许聪明的你会想到可以高仿个糗事百科作为自己的练手项目,利用jsoup是完全没问题的
jsoup的学习需要结合前端的基础知识,爬取前端的数据,如果你学过JS,那么你可以自己完全不用看文档的情况下,使用该框架,因为其设计与JS的使用几乎相同,废话不多说,开车啦
使用项目原话:jsoup是一个Java库来处理实际的html。它提供了一个非常方便的API来提取和操纵数据,使用最好的DOM,CSS和jquery-like方法
项目地址:https://github.com/jhy/jsoup
中文文档:http://www.open-open.com/jsoup/
jsoup的配置很简单,需要在gradle中添加以下依赖
compile 'org.jsoup:jsoup:1.10.2'
由于jsoup需要获取网络数据,所以记得添加网络权限
<uses-permission android:name&#61;"android.permission.INTERNET" />
一、获取HTML
jsoup提供两种网络请求&#xff0c;get和post&#xff0c;使用代码也及其简单&#xff0c;我们首先爬取糗事百科首页的HTML。注意&#xff1a;由于是网络请求操作&#xff0c;必须放在子线程中运行&#xff0c;否则4.4以上的版本会报错
① get方式
new Thread() {
&#64;Override
public void run() {
super.run();
try {
Document doc &#61; Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/").get();
Log.e("一、HTML內容", doc.toString());
}
catch{
}
}
}.start();
② post方式
Document doc &#61; Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/")
.data("query", "Java")
.userAgent("Mozilla")
.COOKIE("auth", "token")
.timeout(3000)
.post();
这里对post的参数介绍一下
既然已经获取HTML的Document对象了&#xff0c;接下来就是分析Html元素的时候了
二、获取Html元素
① 网页端
以糗事百科为例子&#xff0c;我们查看糗事百科首页的数据对应的Html元素是什么&#xff0c;我们可以通过F12&#xff0c;找到对应的Html元素
可以看到一个a标签就是文章详情的内容&#xff0c;我们可以通过这个a标签的class&#61;”contentHerf”作为唯一标识来获取该链接&#xff0c;获取之后&#xff0c;继续爬取详情页的文章详细内容&#xff0c;所以我们通过爬取的a标签的链接进入该文章的详情页
当然也有一些详情页有图片的&#xff0c;我们可以通过图片的的class&#61;”thumb”作为唯一标识来爬取图片里面的链接
由于糗事百科采用分页加载的情况&#xff0c;我们需要在爬取完第一张内容后&#xff0c;接着爬取第二章的内容&#xff0c;下面是糗事百科的分页Url的规则&#xff0c;很简单&#xff0c;我们可以通过一个循环就可以了
http://www.qiushibaike.com/8hr/page/1/
http://www.qiushibaike.com/8hr/page/2/
http://www.qiushibaike.com/8hr/page/3/
http://www.qiushibaike.com/8hr/page/4/
http://www.qiushibaike.com/8hr/page/5/
好了&#xff0c;分析完网页端之后&#xff0c;就应该在我们的Android端采用代码&#xff0c;将上面的步骤实现出来了
② Android端
通过上面的分析后&#xff0c;可以总结我们需要实现的步骤有&#xff1a;
聪明的你&#xff0c;可能会想到第四步第五步…
1&#xff09; 爬取主页的详情页url
爬取主页的url可以通过a标签的class&#61;”contentHerf”&#xff0c;我们通过jsoup的属性选择器来实现&#xff0c;这里会用到css知识&#xff0c;jsoup中文文档也有很详细的介绍
Document doc &#61; Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/").get();
Elements els &#61; doc.select("a.contentHerf");
Log.e("一、HTML內容", els.toString());
for (int i &#61; 0; i
Log.e("1.标题", el.text());
String href &#61; el.attr("href");
Log.e("2.链接", href);
}
这里对使用到的对象进行介绍
这里要注意Elements与Element的toString()方法和text()方法
css选择器
2&#xff09; 进入详情页爬取内容和图片
这段代码也相当简单&#xff0c;这里就不多解释了
Document doc &#61; Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/").get();
Elements els &#61; doc.select("a.contentHerf");
Log.e("一、HTML內容", els.toString());
for (int i &#61; 0; i
Log.e("1.标题", el.text());
String href &#61; el.attr("href");
Log.e("2.链接", href);
//获取详情页内容
Document doc_detail &#61; Jsoup.connect("http://www.qiushibaike.com" &#43; href).get();
Elements els_detail &#61; doc_detail.select(".content");
Log.e("3.內容", els_detail.text());
//获取图片
Elements els_pic &#61; doc_detail.select(".thumb img[src$&#61;jpg]");
if (!els_pic.isEmpty()) {
String pic &#61; els_pic.attr("src");
Log.e("4.图片连接", "" &#43; pic);
} else {
Log.e("4.图片连接", "无");
}
}
3&#xff09; 循环爬取第二页、第三页…
这里只需要嵌套一个循环进去就可以了&#xff0c;完整代码如下
public class JsoupActivity extends AppCompatActivity {
&#64;Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_jsoup);
new Thread() {
&#64;Override
public void run() {
super.run();
try {
for (int k &#61; 0; k <5; k&#43;&#43;) {
Document doc &#61; Jsoup.connect("http://www.qiushibaike.com/8hr/page/" &#43; k &#43; "/").get();
Elements els &#61; doc.select("a.contentHerf");
Log.e("一、HTML內容", els.toString());
for (int i &#61; 0; i
Log.e("1.标题", el.text());
String href &#61; el.attr("href");
Log.e("2.链接", href);
Document doc_detail &#61; Jsoup.connect("http://www.qiushibaike.com" &#43; href).get();
Elements els_detail &#61; doc_detail.select(".content");
Log.e("3.內容", els_detail.text());
Elements els_pic &#61; doc_detail.select(".thumb img[src$&#61;jpg]");
if (!els_pic.isEmpty()) {
String pic &#61; els_pic.attr("src");
Log.e("4.图片连接", "" &#43; pic);
} else {
Log.e("4.图片连接", "无");
}
}
}
} catch (IOException e) {
e.printStackTrace();
}
}
}.start();
}
}
4&#xff09; 当然&#xff0c;我们爬取到的内容之后&#xff0c;毫无疑问就是要封装成对象&#xff0c;通过ArrayList存储起来&#xff0c;这样你的数据源就解决了
public class Xiaohua {
private String content;
private String title;
private String url;
private String userName;
private String date;
}
5&#xff09; 后面爬取作者、日期、评论等信息就由你们去练习了&#xff0c;然后界面一仿&#xff0c;项目就出来了
三、爬取结果
02-12 08:16:55.010 18074-18110/com.handsome.boke2 E/1.标题: 小时候有个常去楼主家的阿姨总是把楼主叫成楼主哥哥的名字&#xff0c;终于有一天&#xff0c;楼主忍无可忍&#xff0c;大骂了她一顿&#xff1a;“你这个人是不是白痴啊&#xff1f;”她暴怒了&#xff0c;立马告诉了楼主的爸爸&#xff0c;楼主永远也忘不了哥哥被揍时眼睛里的无辜与绝望...
02-12 08:16:55.011 18074-18110/com.handsome.boke2 E/2.链接: /article/118543240
02-12 08:16:55.329 18074-18110/com.handsome.boke2 E/3.內容: 小时候有个常去楼主家的阿姨总是把楼主叫成楼主哥哥的名字&#xff0c;终于有一天&#xff0c;楼主忍无可忍&#xff0c;大骂了她一顿&#xff1a;“你这个人是不是白痴啊&#xff1f;”她暴怒了&#xff0c;立马告诉了楼主的爸爸&#xff0c;楼主永远也忘不了哥哥被揍时眼睛里的无辜与绝望...
02-12 08:16:55.331 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:55.881 18074-18110/com.handsome.boke2 E/1.标题: 一朋友&#xff0c;给暗恋许久的女神&#xff0c;匿名网购了一大堆的礼物&#xff0c;可把女神高兴的&#xff0c;在朋友圈发说说&#xff0c;这是谁买的。告诉我&#xff0c;我要做他女朋友&#xff01; 朋友乐坏了&#xff0c;于是激动的说&#xff0c;是我&#xff0c;是我&#xff01; 那女神愣了愣&#xff0c;然后把礼物全部退给了他……
02-12 08:16:55.881 18074-18110/com.handsome.boke2 E/2.链接: /article/118542673
02-12 08:16:56.104 18074-18110/com.handsome.boke2 E/3.內容: 一朋友&#xff0c;给暗恋许久的女神&#xff0c;匿名网购了一大堆的礼物&#xff0c;可把女神高兴的&#xff0c;在朋友圈发说说&#xff0c;这是谁买的。告诉我&#xff0c;我要做他女朋友&#xff01; 朋友乐坏了&#xff0c;于是激动的说&#xff0c;是我&#xff0c;是我&#xff01; 那女神愣了愣&#xff0c;然后把礼物全部退给了他……
02-12 08:16:56.106 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:56.106 18074-18110/com.handsome.boke2 E/1.标题: LZ在非洲曾经遇到过抢劫&#xff0c;有人拿枪指着我们&#xff0c;愣了一下热血当头没当回事&#xff0c;继续反抗&#xff0c;后来情急之下&#xff0c;他射了一枪&#xff0c;结果发现那是玩具枪&#xff0c;特么的&#xff0c;我们抓起扫把就把那个劫匪揍了一顿。事后想想&#xff0c;又害怕又想笑。
02-12 08:16:56.106 18074-18110/com.handsome.boke2 E/2.链接: /article/118542683
02-12 08:16:56.608 18074-18110/com.handsome.boke2 E/3.內容: LZ在非洲曾经遇到过抢劫&#xff0c;有人拿枪指着我们&#xff0c;愣了一下热血当头没当回事&#xff0c;继续反抗&#xff0c;后来情急之下&#xff0c;他射了一枪&#xff0c;结果发现那是玩具枪&#xff0c;特么的&#xff0c;我们抓起扫把就把那个劫匪揍了一顿。事后想想&#xff0c;又害怕又想笑。
02-12 08:16:56.609 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:56.609 18074-18110/com.handsome.boke2 E/1.标题: 今年换了工作&#xff0c;今天第一天上班&#xff0c;老妈早早起床准备早餐&#xff0c;等我吃完早餐准备出门的时候&#xff0c;老妈塞给我一个红包说&#xff0c;新年第一天上班图吉利。当时急着上班也没有细看就放在口袋里。等上班空闲的时候&#xff0c;掏出红包&#xff0c;发现红包里只有一张纸条&#xff0c;上面写着四个大字:好好工作……
02-12 08:16:56.609 18074-18110/com.handsome.boke2 E/2.链接: /article/118542647
02-12 08:16:57.140 18074-18110/com.handsome.boke2 E/3.內容: 今年换了工作&#xff0c;今天第一天上班&#xff0c;老妈早早起床准备早餐&#xff0c;等我吃完早餐准备出门的时候&#xff0c;老妈塞给我一个红包说&#xff0c;新年第一天上班图吉利。当时急着上班也没有细看就放在口袋里。等上班空闲的时候&#xff0c;掏出红包&#xff0c;发现红包里只有一张纸条&#xff0c;上面写着四个大字:好好工作……
02-12 08:16:57.142 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:57.142 18074-18110/com.handsome.boke2 E/1.标题: 腰疼&#xff0c;趴在床上&#xff0c;让大侄子来给我踩踩后背&#xff0c;踩得我挺舒服&#xff0c;没忍住&#xff0c;放个响屁&#xff0c;小家伙愣了一下&#xff0c;然后狠狠 踹 我 屁 股“让你蹦我&#xff01;让你蹦我&#xff01;”。。。。
02-12 08:16:57.142 18074-18110/com.handsome.boke2 E/2.链接: /article/118542708
02-12 08:16:57.379 18074-18110/com.handsome.boke2 E/3.內容: 腰疼&#xff0c;趴在床上&#xff0c;让大侄子来给我踩踩后背&#xff0c;踩得我挺舒服&#xff0c;没忍住&#xff0c;放个响屁&#xff0c;小家伙愣了一下&#xff0c;然后狠狠 踹 我 屁 股“让你蹦我&#xff01;让你蹦我&#xff01;”。。。。
02-12 08:16:57.382 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:57.382 18074-18110/com.handsome.boke2 E/1.标题: 闺蜜的妈妈非常迷信&#xff0c;自从闺蜜放假回家陪妈妈去了几次麻将馆后&#xff0c;她妈每次都能赢钱&#xff0c;所以她妈这一个寒假只要去打麻将&#xff0c;都要拉着她去&#xff0c;直到昨天闺蜜开学&#xff0c;她妈妈送她走得时候&#xff0c;眼泪汪汪的对闺蜜说:宝贝&#xff0c;这是我第一次不舍的你走~
02-12 08:16:57.382 18074-18110/com.handsome.boke2 E/2.链接: /article/118542657
02-12 08:16:57.881 18074-18110/com.handsome.boke2 E/3.內容: 闺蜜的妈妈非常迷信&#xff0c;自从闺蜜放假回家陪妈妈去了几次麻将馆后&#xff0c;她妈每次都能赢钱&#xff0c;所以她妈这一个寒假只要去打麻将&#xff0c;都要拉着她去&#xff0c;直到昨天闺蜜开学&#xff0c;她妈妈送她走得时候&#xff0c;眼泪汪汪的对闺蜜说:宝贝&#xff0c;这是我第一次不舍的你走~
02-12 08:16:57.882 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:57.882 18074-18110/com.handsome.boke2 E/1.标题: 早上起床后发现阳台的地上到处是泡沫水&#xff0c;花盆里也有很多泡沫&#xff0c;而且地上躺着洗衣液的空瓶子&#xff0c;一下便明白了&#xff0c;转头去问熊孩子&#xff0c;熊孩子若无其事的说我只是给花洗洗头而已嘛&#xff01;
02-12 08:16:57.882 18074-18110/com.handsome.boke2 E/2.链接: /article/118542709
02-12 08:16:58.391 18074-18110/com.handsome.boke2 E/3.內容: 早上起床后发现阳台的地上到处是泡沫水&#xff0c;花盆里也有很多泡沫&#xff0c;而且地上躺着洗衣液的空瓶子&#xff0c;一下便明白了&#xff0c;转头去问熊孩子&#xff0c;熊孩子若无其事的说我只是给花洗洗头而已嘛&#xff01;
02-12 08:16:58.393 18074-18110/com.handsome.boke2 E/4.图片连接: 无
网络爬虫虽然带来了很多数据源的问题&#xff0c;但很多网站都已经通过一些技术实现反爬虫的效果了&#xff0c;所以大家还是以学习jsoup为主&#xff0c;不管是Android端还是Web端jsoup的用处很广泛&#xff0c;所以掌握起来是必须的&#xff0c;听说豆瓣和知乎都可以爬出来哦&#xff0c;想做项目的同学可以去试试哦
代码下载