jsoup获取headercookie,jsoup获取标签内容

本文目录一览：

• 
  1、求真正有效的可以模拟登录新浪微博的java代码，后续可以用Jsoup进行抓取。急急！！登录成功马上给分！
  


• 
  2、怎么用网络爬虫获取数据基于java的
  


• 
  3、java的Jsoup登录有验证码网页获取登录后的COOKIE
  


• 
  4、jsoup教程
  


• 
  5、最近做java网页爬虫用jsoup 写了一个方法main执行正常 放在action里调用这个方法就不正常求解
  


• 
  6、Jsoup 抓取网页，字符是乱码，怎么转换？跪求拜托了各位 谢谢
  

求真正有效的可以模拟登录新浪微博的java代码，后续可以用Jsoup进行抓取。急急！！登录成功马上给分！

package jsoupTest;

import java.io.IOException;

import java.util.ArrayList;

import java.util.HashMap;

import java.util.List;

import java.util.Map;

import org.jsoup.Connection.Method;

import org.jsoup.Connection.Response;

import org.jsoup.Jsoup;

public class JsoupTest {

  public static void main(String[] args) throws IOException {

    MapString, String map = new HashMap();

    //map.put请根据自己的微博COOKIE得到

    Response res = Jsoup.connect("别人的主页id")

        .COOKIEs(map).method(Method.GET).execute();

    String s = res.body();

    System.out.println(s);

    String[] ss = s.split("scriptFM.view");

    int i = 0;

    // pl_content_homeFeed

    // pl.content.homeFeed.index

    ListString list = new ArrayList();

    for (String x : ss) {

// System.out.println(i++ + "======================================");

// System.out.println(x.substring(0,

// x.length()  200 ? 200 : x.length()));

// System.out.println("===========================================");

      if (x.contains("\"html\":\"")) {

        String value = getHtml(x);

        list.add(value);

        System.out.println(value);

      }

    }

    // cOntent=ss[8].split("\"html\":\"")[1].replaceAll("(\\\\t|\\\\n)",

    // "").replaceAll("\\\\\"", "\"").replaceAll("\\\\/", "/");

    // cOntent=content.substring(0,

    // content.length()=13?content.length():content.length()-13);

    // System.out.println(Native2AsciiUtils.ascii2Native(content));

  }

  public static String getHtml(String s) {

    String content = s.split("\"html\":\"")[1]

        .replaceAll("(\\\\t|\\\\n)", "").replaceAll("\\\\\"", "\"")

        .replaceAll("\\\\/", "/");

    content = content.substring(0,

        content.length() = 13 ? content.length()

            : content.length() - 13);

    return Native2AsciiUtils.ascii2Native(content);

  }

怎么用网络爬虫获取数据基于java的

爬虫的原理其实就是获取到网页内容，然后对其进行解析。只不过获取的网页、解析内容的方式多种多样而已。

你可以简单的使用httpclient发送get/post请求，获取结果，然后使用截取字符串、正则表达式获取想要的内容。

或者使用像Jsoup/crawler4j等这些已经封装好的类库，更方便的爬取信息。

java的Jsoup登录有验证码网页获取登录后的COOKIE

首先是jar仓库：

dependency

groupIdorg.seleniumhq.selenium/groupId

artifactIdselenium-java/artifactId

version[3.0.1,)/version//获取最新的版本库

/dependency

dependency

groupIdorg.jsoup/groupId

artifactIdjsoup/artifactId

version1.8.2/version

typejar/type

/dependency

代码：

public static void getIndex2() {

//之前运行程序发现生成了N多个chrome driver进程，搞不懂为什么会有那么多进程产生，网上查了下，说起这个service有用，拿来试下，效果未知

ChromeDriverService service = new

ChromeDriverService.Builder().usingDriverExecutable(new

File("./driver/chromedriver.exe")).usingAnyFreePort().build();

try {

service.start();

} catch (IOException ex) {

Logger.getLogger(kechengbiaoIndex.class.getName()).log(Level.SEVERE, null, ex);

}

//end

//正式开始

//先定义浏览器驱动，我用chrome浏览器，网上下载一个chromedriver.exe，启动时需要加载

System.getProperties().setProperty("webdriver.chrome.driver", "./driver/chromedriver.exe");

jsoup教程

jsoup是一款Java的HTML解析器，主要用来对HTML解析。 官网 中文文档

在爬虫的时候，当我们用HttpClient之类的框架，获取到网页源码之后，需要从网页源码中取出我们想要的内容，

就可以使用jsoup这类HTML解析器了。可以非常轻松的实现。

虽然jsoup也支持从某个地址直接去爬取网页源码，但是只支持HTTP，HTTPS协议，支持不够丰富。

所以，主要还是用来对HTML进行解析。

◆其中，要被解析的HTML可以是一个HTML的字符串，可以是一个URL，可以是一个文件。

org.jsoup.Jsoup把输入的HTML转换成一个org.jsoup.nodes.Document对象，然后从Document对象中取出想要的元素。

org.jsoup.nodes.Document继承了org.jsoup.nodes.Element，Element又继承了org.jsoup.nodes.Node类。里面提供了丰富的方法来获取HTML的元素。

◇从URL获取HTML来解析

其中Jsoup.connect("xxx")方法返回一个org.jsoup.Connection对象。

在Connection对象中，我们可以执行get或者post来执行请求。但是在执行请求之前，

我们可以使用Connection对象来设置一些请求信息。比如：头信息，COOKIE，请求等待时间，代理等等来模拟浏览器的行为。

◆获得Document对象后，接下来就是解析Document对象，并从中获取我们想要的元素了。

Document中提供了丰富的方法来获取指定元素。

◇使用DOM的方式来取得

getElementById(String id)：通过id来获取

getElementsByTag(String tagName)：通过标签名字来获取

getElementsByClass(String className)：通过类名来获取

getElementsByAttribute(String key)：通过属性名字来获取

getElementsByAttributeValue(String key, String value)：通过指定的属性名字，属性值来获取

getAllElements()：获取所有元素

◇通过类似于css或jQuery的选择器来查找元素

使用的是Element类的下记方法：

public Elements select(String cssQuery)

通过传入一个类似于CSS或jQuery的选择器字符串，来查找指定元素。

例子：

选择器的更多语法(可以在org.jsoup.select.Selector中查看到更多关于选择器的语法)：

tagname: 通过标签查找元素，比如：a

ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 fb:name 元素

#id: 通过ID查找元素，比如：#logo

.class: 通过class名称查找元素，比如：.masthead

[attribute]: 利用属性查找元素，比如：[href]

[^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素

[attr=value]: 利用属性值来查找元素，比如：[jpe?g)]

*: 这个符号将匹配所有元素

Selector选择器组合使用

el#id: 元素+ID，比如： div#logo

el.class: 元素+class，比如： div.masthead

el[attr]: 元素+class，比如： a[href]

任意组合，比如：a[href].highlight

ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素

parent child: 查找某个父元素下的直接子元素，比如：可以用div.content p 查找 p 元素，也可以用body * 查找body标签下所有直接子元素

siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div

siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p

el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo

伪选择器selectors

:lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素

:gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素

:eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素

:has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素

:not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表

:contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)

:containsOwn(text): 查找直接包含给定文本的元素

:matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)

:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素

注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等

◆通过上面的选择器，我们可以取得一个Elements对象，它继承了ArrayList对象，里面放的全是Element对象。

接下来我们要做的就是从Element对象中，取出我们真正需要的内容。

通常有下面几种方法：

◇Element.text()

这个方法用来取得一个元素中的文本。

◇Element.html()或Node.outerHtml()

这个方法用来取得一个元素中的html内容

◇Node.attr(String key)

获得一个属性的值，例如取得超链接a href=""中href的值

json字符串-数组类型与JSONArray之间的转换

复杂json格式字符串与JSONObject之间的转换

最近做java网页爬虫用jsoup 写了一个方法main执行正常 放在action里调用这个方法就不正常求解

import java.io.BufferedWriter;

import java.io.FileOutputStream;

import java.io.IOException;

import java.io.OutputStreamWriter;

import java.net.SocketTimeoutException;

import java.net.UnknownHostException;

import org.jsoup.Connection;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

public class JsoupTest {

static String url = ";lkt=1%2C1386588673481%2C1386588673481ie=utf8sst0=1386588674552p=40040100dp=1w=01019900dr=1_asf=;_ast=1386589056query=java网页爬虫page=1";

public static void main(String[] args) {

Document doc = readUrlFist(url);

write(doc);

}

public static void write(Document doc) {

try {

FileOutputStream fos=new FileOutputStream("C:\\Documents and Settings\\Administrator\\桌面\\a.html");

OutputStreamWriter osw=new OutputStreamWriter(fos);

BufferedWriter bw=new BufferedWriter(osw);

bw.write(doc.toString());

bw.flush();

fos.close();

osw.close();

bw.close();

} catch (Exception e) {

e.printStackTrace();

}

}

public static Document readUrlFist(String url) {

Document doc = null;

Connection cOnn= Jsoup.connect(url);

conn.header(

"User-Agent",

"Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10.4; en-US; rv:1.9.2.2) Gecko/20100316 Firefox/3.6.2 Googlebot/2.1");

try {

doc = conn.timeout(200 * 1000).get();

} catch (IOException e) {

e.printStackTrace();

if ((e instanceof UnknownHostException)

|| (e instanceof SocketTimeoutException)) {

doc = readUrlFist(url);

}

}

return doc;

}

}

Jsoup 抓取网页，字符是乱码，怎么转换？跪求拜托了各位 谢谢

1.从url加载一个页面：Document doc = Jsoup.connect(" " ).get();2.从url加载页面同时加载该页面上的链接页面：Document doc=Jsoup.connect(url).data("query", "Java")// 请求参数.userAgent("my jsoup")// 设置 User-Agent.COOKIE("auth", "token")// 设置 COOKIE.timeout(3000)// 设置连接超时时间.get();3.本地一个html文件：File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", " " ); 查看原帖