如何利用Java爬取网站数据?_如何利用java爬取网站数据的方法

createh54周前 (02-19)技术教程22

1.Jsoup介绍

  - 官网文档:https://jsoup.org

  - 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。

  2. Jsoup快速入门

  - 获取网页标题

  String url = "https://search.jd.com/Search?keyword=手机&wq=手机&page=1";
  Document document = Jsoup.connect(url).get();
  String title = document.select("title").text();
  System.out.println(title);
  ```

  - 运行效果:手机 - 商品搜索 - 京东

  3. 网站数据分析

  3.1 分析网站的访问地址

  - 以京东商城为例,商品分页列表的url地址,需要带如下几个参数,因此,在发送http请求时,需要携带正确的参数。

  - URL:
https://search.jd.com/Search?keyword=手机&wq=手机&page=1

  3.2 分析网站的页面结构

  - 通过浏览器的开发者工具,可以分析出页面中我们需要的html结构。

image-20220717171103097

- 可以看出,我们需要的商品数据,封装在一个id=J_goodsList的div标签中,我们可以方便的通过DOM解析出这块数据。

  4. 实战实现过程

  - 获取第1页的商品基本数据

public static void main(String[] args) throws Exception {
    //第1页地址
    String url = "https://search.jd.com/Search?keyword=手机&wq=手机&page=1";
    //发送http请求
    Document document = Jsoup.connect(url).get();
    //在id=J_goodsList的div下,获取所有带有data-sku属性的li标签
    Elements lis = document.select("div[id=J_goodsList] li[data-sku]");
    lis.forEach(
            li -> {
                //获取商品sku
                String sku = li.attr("data-sku");
                //获取商品name
                String name = li.select("div[class='p-name p-name-type-2'] a em").text();
                //获取商品图片地址
                String img = li.select("div[class=p-img] a img[data-lazy-img]").attr("data-lazy-img");
               
                System.out.println(String.format("%s, %s, %s", sku, name, img));
            }
    );
}

  - 效果预览

  - 改造为分页获取

public static void main(String[] args) throws Exception {
    //第N页地址
    String url = "https://search.jd.com/Search?keyword=手机&wq=手机&page=" + i;
    //发送http请求
    Document document = Jsoup.connect(url).get();
    //在id=J_goodsList的div下,获取所有带有data-sku属性的li标签
    Elements lis = document.select("div[id=J_goodsList] li[data-sku]");
    lis.forEach(
            li -> {
                //获取商品sku
                String sku = li.attr("data-sku");
                //获取商品name
                String name = li.select("div[class='p-name p-name-type-2'] a em").text();
                //获取商品图片地址
                String img = li.select("div[class=p-img] a img[data-lazy-img]").attr("data-lazy-img");

                System.out.println(String.format("%s, %s, %s", sku, name, img));
            }
    );
}

相关文章

像多人实时编辑文档一样编辑图片,钉钉新功能背后的技术解读

1 月 14 日,钉钉正式发布 6.0 版本,其中推出的“一起标注”功能可以实现像编辑文档一样多人实时编辑一张图片,引起了不少开发者的注意。其背后正是钉钉自研的协同框架技术,可以让多人实时协同类应用的...

提升文件上传性能的 4 种方式,你会吗?

业务需求产品经理:小明啊,我们需要做一个附件上传的需求,内容可能是图片、pdf 或者视频。小明:可以实现的,不过要限制下文件大小。最好别超过 30MB,太大了上传比较慢,服务器压力也大。产品经理:沟通...

手把手教你搭建一个基于Java的分布式爬虫系统「转」

1 概述在不用爬虫框架的情况,经过多方学习,尝试实现了一个分布式爬虫系统,并且可以将数据保存到不同地方,类似MySQL、HBase等。基于面向接口的编码思想来开发,因此这个系统具有一定的扩展性,有兴趣...

谷歌Gemini AI向免费版用户开放文件上传 / 分析功能

IT之家 2 月 15 日消息,谷歌 Gemini AI 已开始向免费版用户开放文件上传和分析功能,此前该功能仅向 Gemini Advanced 付费用户提供。目前,该功能已在 Gemini 安卓应...