如何利用Java爬取网站数据?
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。
<img src="assets/image-20220717171103097.png" alt="image-20220717171103097" style="zoom:67%;" />- 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));
}
);
}