jsoup爬虫简书首页数据做个小Demo

# 前端 2024-05-05 17:58 0 50 来源：云博客

昨天LZ去面试，遇到一个大牛，被血虐一番，发现自己基础还是很薄弱，对java一些原理掌握的还是不够稳固，比如java反射注解，知道一点就是说不出来，很尴尬… 生命不止，学习不止啊

之前那个项目 QNews 用的是的第三方的数据平台，所以访问次数会有限制，这就很无奈。。。

我的博客地址

每天只能请求100次….但是LZ这个穷屌丝也买不起服务器，所以就上网查，有什么别的方法可以获取数据，意外之间发现了jsoup这个强大的框架，就花了上午时间学习了一下，然后下午做了一个小Demo，功能比较单一，请见谅。

其实一开始的时候是想爬今日头条的数据，但是发现数据总是为空，我估计是上锁了… 然后就把矛头转向了简书，哈哈哈…果然简书就是好，数据直接就可以爬到了，好开心啊！！

先演示一波动态图：

话说这个布局就花了我半个小时…

一些基础的我就不说了，就简单说明一下我的数据是如何爬到的。可以直接去看一下我的源码，写的比较仓促，一些细节没有处理好，多多指教。

1. 相关资料

官方文档
中文文档

2. 添加依赖

compile 'org.jsoup:jsoup:1.9.2'

3. 打开简书首页

在单个部分上右击，然后点击检查选项(我用的是QQ浏览器，其他未尝试)，底部就会跳出网页的源码，并且会跟踪到这个item对应的源码。

从上图可以大概了解到每个<li></li>标签里的内容就是我们每个item的信息。

2. 爬数据

1. 获取 `Document` 对象

Document document = Jsoup.connect("http://www.jianshu.com/") .timeout(10000) .get();

这里通过建立与服务器的链接，并设置10s的超时连接来获取 Document 对象

2. 获取跟标签的 `Elements` 对象

Elements noteList = document.select("ul.note-list");Elements li = noteList.select("li");

找到文章列表模块，发现 <ul class="note-list></ul> 是我们需要信息的跟标签。通过 select 方法查询节点所有信息。

for (Element element : li) { ...}

下面全部都是 li标签的列表，里面的内容大致相似，我们就可以通过循环来遍历里面的信息。

3. 获取每个部分所有信息

因为信息比较多，我就选择比较有代表性的来将一下。

有个非常简单的方式：直接在你需要获取内容的部分右击，点击检查，就可以直接追踪到要查询的位置。

1. 标题

就拿标题而言，直接在标题右击–>检查，即可，一目了然。然后我把数据截图一下。

String title = element.select("a.title").text()

通过 select 查询节点信息，然后.text 获取里面文本内容。

2. 头像：

String avatar = element.select("a.avatar").select("img").attr("src")

这个就是先找到头像节点，然后图片节点，最后通过 attr 获取图片 url

3. 首页链接

String authorLink = element.select("a.blue-link").attr("abs:href")

这里注意 href 元素，他存放的就是跳转链接，不过是相对路径，这个时候就需要通过 attr("abs:href") 获取绝对路径。

其他就大同小异，其实我知道也就这么多，也是不断尝试通过打印得出来的，还是比较心酸的，比较没学过 js，不过对 js 挺有兴趣的。

3. 封装

剩下的就是将获取到的数据加载到bean对象中

1. 创建 bean 对象

public class JianshuBean { private String authorName; // 作者 private String authorLink; // 作者链接 private String time; // 更新时间 private String primaryImg; // 主图 private String avatarImg; // 头像 private String title; // 标题 private String titleLink; // 标题链接 private String content; // 内容 private String collectionTagLink; // 专题链接 private String readNum; // 阅读量 private String talkNum; // 评论 private String likeNum; // 喜欢 private String collectionTag; // 专题 // ... get set}

2. 将获取到的数据添加到集合中

for (Element element : li) { JianshuBean bean = new JianshuBean(); bean.setAuthorName(element.select("div.name").text()); // 作者姓名 bean.setAuthorLink(element.select("a.blue-link").attr("abs:href")); // 作者首页链接 bean.setTime(element.select("span.time").attr("data-shared-at")); // 发表时间 bean.setPrimaryImg(element.select("img").attr("src")); // 主图 bean.setAvatarImg(element.select("a.avatar").select("img").attr("src")); // 头像 bean.setTitle(element.select("a.title").text()); // 标题 bean.setTitleLink(element.select("a.title").attr("abs:href")); // 标题链接 bean.setContent(element.select("p.abstract").text()); // 内容 bean.setCollectionTagLink(element.select("a.collection-tag").attr("abs:href")); // 专题链接 String[] text = element.select("div.meta").text().split(" "); if (text[0].matches("[0-9]+")) { bean.setReadNum(text[0]); bean.setTalkNum(text[1]); bean.setLikeNum(text[2]); } else { bean.setCollectionTag(text[0]); bean.setReadNum(text[1]); bean.setTalkNum(text[2]); bean.setLikeNum(text[3]); } mBeans.add(bean);}

再来看一下效果：

项目地址