Java培訓教程之使用Jsoup實現簡單的爬蟲技術

　　 1.Jsoup簡述

　　 Java中支援的爬蟲框架有很多，比如WebMagic、Spider、Jsoup等。今天我們使用Jsoup來實現一個簡單的爬蟲程式。

　　 Jsoup擁有十分方便的api來處理html文件，比如參考了DOM物件的文件遍歷方法，參考了CSS選擇器的用法等等，因此我們可以使用Jsoup快速地掌握爬取頁面資料的技巧。

　　 2.快速開始

　　1)編寫HTML頁面

　　頁面中表格的商品資訊是我們要爬取的資料。其中屬性pname類的商品名稱，以及屬於pimg類的商品圖片。

　　2)使用HttpClient讀取HTML頁面

　　HttpClient是一個處理Http協議資料的工具，使用它可以將HTML頁面作為輸入流讀進java程式中。可以從下載HttpClient的jar包。

　　3)使用Jsoup解析html字串

　　透過引入Jsoup工具，直接呼叫parse方法來解析一個描述html頁面內容的字串來獲得一個Document物件。該Document物件以操作DOM樹的方式來獲得html頁面上指定的內容。相關API可以參考Jsoup官方文件：

　　下面我們使用Jsoup來獲取上述html中指定的商品名稱和價格的資訊。

　　至此，我們已經實現使用HttpClient+Jsoup爬取HTML頁面資料的功能。接下來，我們讓效果更直觀一些，比如將爬取的資料存到資料庫中，將圖片存到伺服器上。

　　 3.儲存爬取的頁面資料

　　1)儲存普通資料到資料庫中

　　將爬取的資料封裝進實體Bean中，並存到資料庫內。

　　2)儲存圖片到伺服器上

　　直接透過下載圖片的方式將圖片儲存到伺服器本地。

　　 4.總結

　　本案簡單實現了使用HttpClient+Jsoup爬取網路資料，對於爬蟲技術本身，還有很多值得深挖的地方，以後再為大家講解。

　　 本文來自千鋒教育，轉載請註明出處。