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&＃xff0c;爬糗事百科主界面

---

本篇文章包括以下内容&＃xff1a;

• 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&＃xff0c;最大的烦恼是什么&＃xff1f;毫无疑问是数据源的缺乏&＃xff0c;当然可以选择第三方接口提供数据&＃xff0c;也可以使用网络爬虫获取数据&＃xff0c;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&＃xff0c;由于他们的反爬做得好&＃xff0c;所以没办法爬到数据&＃xff0c;只能爬取糗事百科的数据&＃xff0c;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&＃xff0c;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&＃xff0c;爬取前端的数据&＃xff0c;如果你学过JS&＃xff0c;那么你可以自己完全不用看文档的情况下&＃xff0c;使用该框架&＃xff0c;因为其设计与JS的使用几乎相同&＃xff0c;废话不多说&＃xff0c;开车啦

jsoup的简介

使用项目原话&＃xff1a;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&＃xff1a;https://github.com/jhy/jsoup
中文文档&＃xff1a;http://www.open-open.com/jsoup/

jsoup的配置

jsoup的配置很简单&＃xff0c;需要在gradle中添加以下依赖

compile &＃39;org.jsoup:jsoup:1.10.2&＃39;

由于jsoup需要获取网络数据&＃xff0c;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