刨根问底--技术--jsoup简单抓取数据

使用jsoup抓取信息步骤

1、加入jsoup-1.6.2.jar

2、准备好url

3、建立连接--Jsoup.connect(url)

4、解析html--Connection.get()

package com.xing.jsoup;

import java.io.IOException;

import org.jsoup.Connection;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import com.xing.crawl.LinkQueue;

public class EasyCrawl {

	/**
	 * @param args
	 */
	public static void main(String[] args) {
		String url = "http://kaoshi.edu.sina.com.cn/collegedb/collegelist.php?_action=t&provid=1" ;
		String baseUrl = "http://kaoshi.edu.sina.com.cn/";
		EasyCrawl easyCrawl = new EasyCrawl();
		easyCrawl.collegeTotalPage(url, baseUrl);
	}
	
	public void collegeTotalPage(String url , String baseUrl){
		LinkQueue.addUnvisitedUrl(url); 
		Document doc;
		try {
			Connection conn = Jsoup.connect(url);
			//设置超时时间
			conn.timeout(5000);
			doc = conn.get();
		    Elements trs = doc.select("table.c_list tr");
		    Element lastTr = trs.get(trs.size()-1);
		    if(lastTr.select(".pagebox_cur_page").size()==1){
		    	Elements as = lastTr.select("a");
	    	 	int length = as.size();
			    if(as!=null && length > 0){
			    	for(int p=0 ; p< length-1 ; p++){
			    		 Element page = as.get(p);
			    		 System.out.println(page.attr("href"));
			    		 LinkQueue.addUnvisitedUrl(baseUrl+page.attr("href")); 
			    	}
			    }
		    }
		} catch (IOException e) {
			e.printStackTrace();
		}
	}

}

注释：这里主要是抓取这个网页table下面的分页页数以及连接，并且把这个连接地址保存起来，一边后面的抓取。

详细分析一下collegeTotalPage方法：

（1）LinkQueue.addUnvisitedUrl(url)把抓取的数据添加到已经访问的栈里，一边去分是否抓取，防止重复抓取。

（2）Connection conn = Jsoup.connect(url);connect(String url) 方法创建一个新的 Connection。

（3）conn.timeout(5000)设置连接超时时间。

（4） get() 取得和解析一个HTML文件,返回一个Document 对象。

（5）使用类似于CSS或jQuery的语法来查找和操作元素，并且解析里面的url，添加到为访问的栈里面。

 备注：jsoup执行javascript

如果你不明白是怎么解析出来的？请看汉语API http://www.open-open.com/jsoup/selector-syntax.htm