热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

Android实战——jsoup实现网络爬虫,糗事百科项目的起步

本文介绍了Android实战中使用jsoup实现网络爬虫的方法,以糗事百科项目为例。对于初学者来说,数据源的缺乏是做项目的最大烦恼之一。本文讲述了如何使用网络爬虫获取数据,并以糗事百科作为练手项目。同时,提到了使用jsoup需要结合前端基础知识,以及如果学过JS的话可以更轻松地使用该框架。

篇首语:本文由编程笔记#小编为大家整理,主要介绍了Android实战——jsoup实现网络爬虫,糗事百科项目的起步相关的知识,希望对你有一定的参考价值。



android实战——jsoup实现网络爬虫,爬糗事百科主界面



本篇文章包括以下内容:


  • 前言
  • jsoup的简介
  • jsoup的配置
  • jsoup的使用
  • 结语


前言

对于Android初学者想要做项目时,最大的烦恼是什么?毫无疑问是数据源的缺乏,当然可以选择第三方接口提供数据,也可以使用网络爬虫获取数据,这样就不用第三方数据作为支持。本来是打算爬一些购物网站的数据,由于他们的反爬做得好,所以没办法爬到数据,只能爬取糗事百科的数据,或许聪明的你会想到可以高仿个糗事百科作为自己的练手项目,利用jsoup是完全没问题的

jsoup的学习需要结合前端的基础知识,爬取前端的数据,如果你学过JS,那么你可以自己完全不用看文档的情况下,使用该框架,因为其设计与JS的使用几乎相同,废话不多说,开车啦


jsoup的简介

使用项目原话:jsoup是一个Java库来处理实际的html。它提供了一个非常方便的API来提取和操纵数据,使用最好的DOM,CSS和jquery-like方法

项目地址:https://github.com/jhy/jsoup
中文文档:http://www.open-open.com/jsoup/


jsoup的配置

jsoup的配置很简单,需要在gradle中添加以下依赖

compile 'org.jsoup:jsoup:1.10.2'

由于jsoup需要获取网络数据,所以记得添加网络权限

<uses-permission android:name&#61;"android.permission.INTERNET" />

jsoup的使用

一、获取HTML

jsoup提供两种网络请求&#xff0c;get和post&#xff0c;使用代码也及其简单&#xff0c;我们首先爬取糗事百科首页的HTML。注意&#xff1a;由于是网络请求操作&#xff0c;必须放在子线程中运行&#xff0c;否则4.4以上的版本会报错

① get方式

new Thread() {
&#64;Override
public void run() {
super.run();
try {
Document doc &#61; Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/").get();
Log.e("一、HTML內容", doc.toString());
}
catch{
}
}
}.start();

② post方式

Document doc &#61; Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/")
.data("query", "Java")
.userAgent("Mozilla")
.COOKIE("auth", "token")
.timeout(3000)
.post();

这里对post的参数介绍一下


  • connect&#xff1a;设置连接的Url
  • data&#xff1a;设置post的键值对数据
  • userAgent&#xff1a;设置用户代理&#xff08;请求头的东西&#xff0c;可以判断你是PC还是Mobile端&#xff09;
  • COOKIE&#xff1a;设置缓存
  • timeout&#xff1a;设置请求超时
  • post&#xff1a;发送post请求


既然已经获取HTML的Document对象了&#xff0c;接下来就是分析Html元素的时候了


二、获取Html元素

① 网页端

以糗事百科为例子&#xff0c;我们查看糗事百科首页的数据对应的Html元素是什么&#xff0c;我们可以通过F12&#xff0c;找到对应的Html元素

可以看到一个a标签就是文章详情的内容&#xff0c;我们可以通过这个a标签的class&#61;”contentHerf”作为唯一标识来获取该链接&#xff0c;获取之后&#xff0c;继续爬取详情页的文章详细内容&#xff0c;所以我们通过爬取的a标签的链接进入该文章的详情页

当然也有一些详情页有图片的&#xff0c;我们可以通过图片的的class&#61;”thumb”作为唯一标识来爬取图片里面的链接

由于糗事百科采用分页加载的情况&#xff0c;我们需要在爬取完第一张内容后&#xff0c;接着爬取第二章的内容&#xff0c;下面是糗事百科的分页Url的规则&#xff0c;很简单&#xff0c;我们可以通过一个循环就可以了

http://www.qiushibaike.com/8hr/page/1/
http://www.qiushibaike.com/8hr/page/2/
http://www.qiushibaike.com/8hr/page/3/
http://www.qiushibaike.com/8hr/page/4/
http://www.qiushibaike.com/8hr/page/5/


好了&#xff0c;分析完网页端之后&#xff0c;就应该在我们的Android端采用代码&#xff0c;将上面的步骤实现出来了


② Android端

通过上面的分析后&#xff0c;可以总结我们需要实现的步骤有&#xff1a;


  1. 爬取主页的详情页url
  2. 进入详情页爬取内容和图片
  3. 循环爬取第二页、第三页…

聪明的你&#xff0c;可能会想到第四步第五步…


  1. 封装Bean对象
  2. 使用ListView填充内容
  3. 爬取日期、作者、评论等内容完善项目

1&#xff09; 爬取主页的详情页url

爬取主页的url可以通过a标签的class&#61;”contentHerf”&#xff0c;我们通过jsoup的属性选择器来实现&#xff0c;这里会用到css知识&#xff0c;jsoup中文文档也有很详细的介绍

Document doc &#61; Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/").get();
Elements els &#61; doc.select("a.contentHerf");
Log.e("一、HTML內容", els.toString());
for (int i &#61; 0; i Element el &#61; els.get(i);
Log.e("1.标题", el.text());
String href &#61; el.attr("href");
Log.e("2.链接", href);
}

这里对使用到的对象进行介绍


  • Document&#xff1a;相当于一个Html文件
  • Elements&#xff1a;相当于一个标签的集合
  • Element&#xff1a;相当于一个标签

这里要注意Elements与Element的toString()方法和text()方法


  • toString()&#xff1a;打印出来的是标签的Html内容
  • text()&#xff1a;打印出来的是标签对应的文本内容

css选择器


  • select()&#xff1a;获取符合属性选择器要求的标签内容
  • 或getElementById&#xff1a;获取符合ID选择器要求的标签内容
  • 或getElementsByTag&#xff1a;获取符合Tag选择器要求的标签内容

2&#xff09; 进入详情页爬取内容和图片

这段代码也相当简单&#xff0c;这里就不多解释了

Document doc &#61; Jsoup.connect("http://www.qiushibaike.com/8hr/page/1/").get();
Elements els &#61; doc.select("a.contentHerf");
Log.e("一、HTML內容", els.toString());
for (int i &#61; 0; i Element el &#61; els.get(i);
Log.e("1.标题", el.text());
String href &#61; el.attr("href");
Log.e("2.链接", href);
//获取详情页内容
Document doc_detail &#61; Jsoup.connect("http://www.qiushibaike.com" &#43; href).get();
Elements els_detail &#61; doc_detail.select(".content");
Log.e("3.內容", els_detail.text());
//获取图片
Elements els_pic &#61; doc_detail.select(".thumb img[src$&#61;jpg]");
if (!els_pic.isEmpty()) {
String pic &#61; els_pic.attr("src");
Log.e("4.图片连接", "" &#43; pic);
} else {
Log.e("4.图片连接", "无");
}
}

3&#xff09; 循环爬取第二页、第三页…

这里只需要嵌套一个循环进去就可以了&#xff0c;完整代码如下

public class JsoupActivity extends AppCompatActivity {
&#64;Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_jsoup);
new Thread() {
&#64;Override
public void run() {
super.run();
try {
for (int k &#61; 0; k <5; k&#43;&#43;) {
Document doc &#61; Jsoup.connect("http://www.qiushibaike.com/8hr/page/" &#43; k &#43; "/").get();
Elements els &#61; doc.select("a.contentHerf");
Log.e("一、HTML內容", els.toString());
for (int i &#61; 0; i Element el &#61; els.get(i);
Log.e("1.标题", el.text());
String href &#61; el.attr("href");
Log.e("2.链接", href);
Document doc_detail &#61; Jsoup.connect("http://www.qiushibaike.com" &#43; href).get();
Elements els_detail &#61; doc_detail.select(".content");
Log.e("3.內容", els_detail.text());
Elements els_pic &#61; doc_detail.select(".thumb img[src$&#61;jpg]");
if (!els_pic.isEmpty()) {
String pic &#61; els_pic.attr("src");
Log.e("4.图片连接", "" &#43; pic);
} else {
Log.e("4.图片连接", "无");
}
}
}
} catch (IOException e) {
e.printStackTrace();
}
}
}.start();
}
}

4&#xff09; 当然&#xff0c;我们爬取到的内容之后&#xff0c;毫无疑问就是要封装成对象&#xff0c;通过ArrayList存储起来&#xff0c;这样你的数据源就解决了

public class Xiaohua {
private String content;
private String title;
private String url;
private String userName;
private String date;
}

5&#xff09; 后面爬取作者、日期、评论等信息就由你们去练习了&#xff0c;然后界面一仿&#xff0c;项目就出来了

三、爬取结果

02-12 08:16:55.010 18074-18110/com.handsome.boke2 E/1.标题: 小时候有个常去楼主家的阿姨总是把楼主叫成楼主哥哥的名字&#xff0c;终于有一天&#xff0c;楼主忍无可忍&#xff0c;大骂了她一顿&#xff1a;“你这个人是不是白痴啊&#xff1f;”她暴怒了&#xff0c;立马告诉了楼主的爸爸&#xff0c;楼主永远也忘不了哥哥被揍时眼睛里的无辜与绝望...
02-12 08:16:55.011 18074-18110/com.handsome.boke2 E/2.链接: /article/118543240
02-12 08:16:55.329 18074-18110/com.handsome.boke2 E/3.內容: 小时候有个常去楼主家的阿姨总是把楼主叫成楼主哥哥的名字&#xff0c;终于有一天&#xff0c;楼主忍无可忍&#xff0c;大骂了她一顿&#xff1a;“你这个人是不是白痴啊&#xff1f;”她暴怒了&#xff0c;立马告诉了楼主的爸爸&#xff0c;楼主永远也忘不了哥哥被揍时眼睛里的无辜与绝望...
02-12 08:16:55.331 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:55.881 18074-18110/com.handsome.boke2 E/1.标题: 一朋友&#xff0c;给暗恋许久的女神&#xff0c;匿名网购了一大堆的礼物&#xff0c;可把女神高兴的&#xff0c;在朋友圈发说说&#xff0c;这是谁买的。告诉我&#xff0c;我要做他女朋友&#xff01; 朋友乐坏了&#xff0c;于是激动的说&#xff0c;是我&#xff0c;是我&#xff01; 那女神愣了愣&#xff0c;然后把礼物全部退给了他……
02-12 08:16:55.881 18074-18110/com.handsome.boke2 E/2.链接: /article/118542673
02-12 08:16:56.104 18074-18110/com.handsome.boke2 E/3.內容: 一朋友&#xff0c;给暗恋许久的女神&#xff0c;匿名网购了一大堆的礼物&#xff0c;可把女神高兴的&#xff0c;在朋友圈发说说&#xff0c;这是谁买的。告诉我&#xff0c;我要做他女朋友&#xff01; 朋友乐坏了&#xff0c;于是激动的说&#xff0c;是我&#xff0c;是我&#xff01; 那女神愣了愣&#xff0c;然后把礼物全部退给了他……
02-12 08:16:56.106 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:56.106 18074-18110/com.handsome.boke2 E/1.标题: LZ在非洲曾经遇到过抢劫&#xff0c;有人拿枪指着我们&#xff0c;愣了一下热血当头没当回事&#xff0c;继续反抗&#xff0c;后来情急之下&#xff0c;他射了一枪&#xff0c;结果发现那是玩具枪&#xff0c;特么的&#xff0c;我们抓起扫把就把那个劫匪揍了一顿。事后想想&#xff0c;又害怕又想笑。
02-12 08:16:56.106 18074-18110/com.handsome.boke2 E/2.链接: /article/118542683
02-12 08:16:56.608 18074-18110/com.handsome.boke2 E/3.內容: LZ在非洲曾经遇到过抢劫&#xff0c;有人拿枪指着我们&#xff0c;愣了一下热血当头没当回事&#xff0c;继续反抗&#xff0c;后来情急之下&#xff0c;他射了一枪&#xff0c;结果发现那是玩具枪&#xff0c;特么的&#xff0c;我们抓起扫把就把那个劫匪揍了一顿。事后想想&#xff0c;又害怕又想笑。
02-12 08:16:56.609 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:56.609 18074-18110/com.handsome.boke2 E/1.标题: 今年换了工作&#xff0c;今天第一天上班&#xff0c;老妈早早起床准备早餐&#xff0c;等我吃完早餐准备出门的时候&#xff0c;老妈塞给我一个红包说&#xff0c;新年第一天上班图吉利。当时急着上班也没有细看就放在口袋里。等上班空闲的时候&#xff0c;掏出红包&#xff0c;发现红包里只有一张纸条&#xff0c;上面写着四个大字:好好工作……
02-12 08:16:56.609 18074-18110/com.handsome.boke2 E/2.链接: /article/118542647
02-12 08:16:57.140 18074-18110/com.handsome.boke2 E/3.內容: 今年换了工作&#xff0c;今天第一天上班&#xff0c;老妈早早起床准备早餐&#xff0c;等我吃完早餐准备出门的时候&#xff0c;老妈塞给我一个红包说&#xff0c;新年第一天上班图吉利。当时急着上班也没有细看就放在口袋里。等上班空闲的时候&#xff0c;掏出红包&#xff0c;发现红包里只有一张纸条&#xff0c;上面写着四个大字:好好工作……
02-12 08:16:57.142 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:57.142 18074-18110/com.handsome.boke2 E/1.标题: 腰疼&#xff0c;趴在床上&#xff0c;让大侄子来给我踩踩后背&#xff0c;踩得我挺舒服&#xff0c;没忍住&#xff0c;放个响屁&#xff0c;小家伙愣了一下&#xff0c;然后狠狠 踹 我 屁 股“让你蹦我&#xff01;让你蹦我&#xff01;”。。。。
02-12 08:16:57.142 18074-18110/com.handsome.boke2 E/2.链接: /article/118542708
02-12 08:16:57.379 18074-18110/com.handsome.boke2 E/3.內容: 腰疼&#xff0c;趴在床上&#xff0c;让大侄子来给我踩踩后背&#xff0c;踩得我挺舒服&#xff0c;没忍住&#xff0c;放个响屁&#xff0c;小家伙愣了一下&#xff0c;然后狠狠 踹 我 屁 股“让你蹦我&#xff01;让你蹦我&#xff01;”。。。。
02-12 08:16:57.382 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:57.382 18074-18110/com.handsome.boke2 E/1.标题: 闺蜜的妈妈非常迷信&#xff0c;自从闺蜜放假回家陪妈妈去了几次麻将馆后&#xff0c;她妈每次都能赢钱&#xff0c;所以她妈这一个寒假只要去打麻将&#xff0c;都要拉着她去&#xff0c;直到昨天闺蜜开学&#xff0c;她妈妈送她走得时候&#xff0c;眼泪汪汪的对闺蜜说:宝贝&#xff0c;这是我第一次不舍的你走~
02-12 08:16:57.382 18074-18110/com.handsome.boke2 E/2.链接: /article/118542657
02-12 08:16:57.881 18074-18110/com.handsome.boke2 E/3.內容: 闺蜜的妈妈非常迷信&#xff0c;自从闺蜜放假回家陪妈妈去了几次麻将馆后&#xff0c;她妈每次都能赢钱&#xff0c;所以她妈这一个寒假只要去打麻将&#xff0c;都要拉着她去&#xff0c;直到昨天闺蜜开学&#xff0c;她妈妈送她走得时候&#xff0c;眼泪汪汪的对闺蜜说:宝贝&#xff0c;这是我第一次不舍的你走~
02-12 08:16:57.882 18074-18110/com.handsome.boke2 E/4.图片连接: 无
02-12 08:16:57.882 18074-18110/com.handsome.boke2 E/1.标题: 早上起床后发现阳台的地上到处是泡沫水&#xff0c;花盆里也有很多泡沫&#xff0c;而且地上躺着洗衣液的空瓶子&#xff0c;一下便明白了&#xff0c;转头去问熊孩子&#xff0c;熊孩子若无其事的说我只是给花洗洗头而已嘛&#xff01;
02-12 08:16:57.882 18074-18110/com.handsome.boke2 E/2.链接: /article/118542709
02-12 08:16:58.391 18074-18110/com.handsome.boke2 E/3.內容: 早上起床后发现阳台的地上到处是泡沫水&#xff0c;花盆里也有很多泡沫&#xff0c;而且地上躺着洗衣液的空瓶子&#xff0c;一下便明白了&#xff0c;转头去问熊孩子&#xff0c;熊孩子若无其事的说我只是给花洗洗头而已嘛&#xff01;
02-12 08:16:58.393 18074-18110/com.handsome.boke2 E/4.图片连接: 无

结语

网络爬虫虽然带来了很多数据源的问题&#xff0c;但很多网站都已经通过一些技术实现反爬虫的效果了&#xff0c;所以大家还是以学习jsoup为主&#xff0c;不管是Android端还是Web端jsoup的用处很广泛&#xff0c;所以掌握起来是必须的&#xff0c;听说豆瓣和知乎都可以爬出来哦&#xff0c;想做项目的同学可以去试试哦

代码下载



推荐阅读
  • 利用Java与Tesseract-OCR实现数字识别
    本文深入探讨了如何利用Java语言结合Tesseract-OCR技术来实现图像中的数字识别功能,旨在为开发者提供详细的指导和实践案例。 ... [详细]
  • python爬虫Demo
    1爬虫功能:爬取某域名下所有网页,比如爬取python文档&amp;#160;https:docs.python.orgzh-cn3&amp;#160;,爬取之后, ... [详细]
  • Java面向对象编程深入解析
    本文详细探讨了Java中的关键字static、单例模式、main()方法、代码块、final关键字、抽象类与方法、模板方法设计模式、接口、内部类等内容,旨在帮助读者深入理解和掌握Java面向对象编程的核心概念。 ... [详细]
  • Consul 单节点与集群环境构建指南
    本文详细介绍了如何安装和配置 Consul 以支持服务注册与发现、健康检查等功能,包括单节点和集群环境的搭建步骤。 ... [详细]
  • 深入探讨PHP中的输出缓冲技术(Output Buffering)
    本文深入解析了PHP中输出缓冲(Output Buffering)的原理及其在Web开发中的应用,特别是如何通过输出缓冲技术有效管理HTTP头部信息,提高代码的灵活性与健壮性。 ... [详细]
  • Java中'=='与'equals'方法的区别
    在Java编程语言中,'=='操作符用于比较两个对象的引用是否指向同一个内存位置,而'equals'方法则用于比较两个对象的内容是否相等。本文通过具体示例详细解释了两者的差异,并提供了代码演示。 ... [详细]
  • Go 通过 Map/Filter/ForEach 等流式 API 高效处理数据
    go,通过,map,filter,foreach,等,流,式,ap ... [详细]
  • 深入理解希尔排序算法
    本文详细介绍了希尔排序的原理及其相对于传统插入排序的优势,并通过实例解析了希尔排序的具体实现过程,包括代码示例及性能分析。 ... [详细]
  • 本文详细介绍了 TypeScript 中类装饰器的使用方法和实际应用场景,包括如何定义和使用无参数及带参数的类装饰器。 ... [详细]
  • 在Android应用开发过程中,经常需要在SQLite数据库中快速插入大量数据。本文通过实例探讨了不同插入方法的效率,并提供了优化建议。 ... [详细]
  • 本文详细介绍了如何在Ubuntu系统上快速安装和配置Bitnami版本的GitLab,包括下载安装文件、执行安装过程以及设置邮件服务等步骤。 ... [详细]
  • 本文详细介绍了如何从SVN中获取项目,并在本地环境中进行有效的构建和开发,包括具体的步骤和配置方法。 ... [详细]
  • Celery在使用前必须实例化,称为application或app。app是线程安全的,具有不同配置、组件、task的多个Celery应用可以在同一个进 ... [详细]
  • 深入理解Kafka架构
    本文将详细介绍Kafka的内部工作机制,包括其工作流程、文件存储机制、生产者与消费者的具体实现,以及如何通过高效读写技术和Zookeeper支持来确保系统的高性能和稳定性。 ... [详细]
  • C#反射reflection
    C#shanzm目录简介引入1.新建类库2.类库的使用3.反射反射实例1反射实例2反射实例3简介反射(reflection)是什么?在《精通C#》中是这么说的“反射就是一个运行库发 ... [详细]
author-avatar
浪漫的没天份
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有