使用java開源工具httpClient及jsoup抓取解析網頁數據

時間 2019-12-18

標籤使用 java 開源工具 httpclient jsoup 抓取解析網頁數據欄目 Java 简体版

原文原文鏈接

　　今天作項目的時候遇到這樣一個需求，須要在網頁上展現今日黃曆信息，數據格式以下html

　　公曆時間：2016年04月11日星期一
　　農曆時間：猴年三月初五
　　天干地支：丙申年壬辰月癸亥日
　　宜：求子祈福開光祭祀安牀
　　忌：玉堂（黃道）危日，忌出行

　　主要包括公曆/農曆日期，以及忌宜信息的等。可是手裏並無現成的數據可供使用，怎麼辦呢？java

革命前輩曾經說過，沒有槍，沒有炮，敵（wang）人(luo)給咱們造！網絡上有不少現成的在線node

萬年曆應用可供使用，雖然沒有現成接口，可是咱們能夠伸出手來，本身去拿。也就是所謂的數據jquery

抓取。程序員

　　這裏介紹兩個使用的工具，httpClient以及jsoup,簡介以下：apache

　　HttpClient是Apache Jakarta Common下的子項目，用來提供高效的、最新的、功能豐富的支持HTTP協議的客戶端編程工具包，而且它支持HTTP協議最新的版本和建議。HttpClient已經應用在不少的項目中，好比Apache Jakarta上很著名的另外兩個開源項目Cactus和HTMLUnit都使用了HttpClient。編程

　　httpClient使用方法以下：網絡

　　1. 建立HttpClient對象。app

　　2. 建立請求方法的實例，並指定請求URL。框架

　　3. 調用HttpClient對象的execute(HttpUriRequest request)發送請求，該方法返回一個HttpResponse。

　　4. 調用HttpResponse相關方法獲取相應內容。

　　5. 釋放鏈接。

　　jsoup 是一款 Java 的 HTML 解析器，可直接解析某個 URL 地址、HTML 文本內容。它提供了一套很是省力的 API，可經過 DOM，CSS 以及相似於 jQuery 的操做方法來取出和操做數據。

　　jsoup:http://jsoup.org/

　　接下來咱們直接上代碼，這裏咱們抓取2345在線萬年曆的數據 http://tools.2345.com/rili.htm

　　首先咱們定義一個實體類Almanac來存儲黃曆數據

　　Almanac.java

 1 package com.likx.picker.util.bean;
 2 
 3 /**
 4  * 萬年曆工具實體類
 5  * 
 6  * @author 溯源blog
 7  * 2016年4月11日
 8  */
 9 public class Almanac {
10     private String solar;        /* 陽曆 e.g.2016年 4月11日 星期一 */
11     private String lunar;        /* 陰曆 e.g. 猴年 三月初五*/
12     private String chineseAra;    /* 天干地支紀年法 e.g.丙申年 壬辰月 癸亥日*/
13     private String should;        /* 宜e.g. 求子 祈福 開光 祭祀 安牀*/
14     private String avoid;        /* 忌 e.g. 玉堂（黃道）危日，忌出行*/
15 
16     public String getSolar() {
17         return solar;
18     }
19 
20     public void setSolar(String date) {
21         this.solar = date;
22     }
23 
24     public String getLunar() {
25         return lunar;
26     }
27 
28     public void setLunar(String lunar) {
29         this.lunar = lunar;
30     }
31 
32     public String getChineseAra() {
33         return chineseAra;
34     }
35 
36     public void setChineseAra(String chineseAra) {
37         this.chineseAra = chineseAra;
38     }
39 
40     public String getAvoid() {
41         return avoid;
42     }
43 
44     public void setAvoid(String avoid) {
45         this.avoid = avoid;
46     }
47 
48     public String getShould() {
49         return should;
50     }
51 
52     public void setShould(String should) {
53         this.should = should;
54     }
55 
56     public Almanac(String solar, String lunar, String chineseAra, String should,
57             String avoid) {
58         this.solar = solar;
59         this.lunar = lunar;
60         this.chineseAra = chineseAra;
61         this.should = should;
62         this.avoid = avoid;
63     }
64 }

　　而後是抓取解析的主程序，寫程序以前須要在官網下載須要的jar包

　　AlmanacUtil.java

package com.likx.picker.util;
import java.io.IOException;
import java.text.SimpleDateFormat;
import java.util.Calendar;
import java.util.Date;

import org.apache.http.HttpEntity;
import org.apache.http.ParseException;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
/**
 *<STRONG>類描述</STRONG> :  2345萬年曆信息爬取工具<p>
 *   
 * @version 1.0 <p>
 * @author 溯源blog
 * 
 * <STRONG>建立時間</STRONG> : 2016年4月11日 下午14:15:44<p>
 * <STRONG>修改歷史</STRONG> :<p>
 *<pre>
 * 修改人                   修改時間                     修改內容
 * ---------------         -------------------         -----------------------------------
 *</pre>
 */
public class AlmanacUtil {
    
    /**
     * 單例工具類
     */
    private AlmanacUtil() {
    }
    /**
     * 獲取萬年曆信息
     * @return
     */
    public static Almanac getAlmanac(){
        String url="http://tools.2345.com/rili.htm";
        String html=pickData(url);
        Almanac almanac=analyzeHTMLByString(html);
        return almanac;
    }
    
    /*
     * 爬取網頁信息
     */
    private static String pickData(String url) {
        CloseableHttpClient httpclient = HttpClients.createDefault();
        try {
            HttpGet httpget = new HttpGet(url);
            CloseableHttpResponse response = httpclient.execute(httpget);
            try {
                // 獲取響應實體
                HttpEntity entity = response.getEntity();
                // 打印響應狀態
                if (entity != null) {
                    return EntityUtils.toString(entity);
                }
            } finally {
                response.close();
            }
        } catch (ClientProtocolException e) {
            e.printStackTrace();
        } catch (ParseException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        } finally {
            // 關閉鏈接,釋放資源
            try {
                httpclient.close();
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
        return null;
    }
    
    /*
     * 使用jsoup解析網頁信息
     */
    private static Almanac analyzeHTMLByString(String html){
        String solarDate,lunarDate,chineseAra,should,avoid=" ";
        Document document = Jsoup.parse(html);
        //公曆時間
        solarDate=getSolarDate();
        //農曆時間
        Element eLunarDate=document.getElementById("info_nong");
        lunarDate=eLunarDate.child(0).html().substring(1,3)+eLunarDate.html().substring(11);
        //天干地支紀年法
        Element eChineseAra=document.getElementById("info_chang");
        chineseAra=eChineseAra.text().toString();    
        //宜
        should=getSuggestion(document,"yi");
        //忌
        avoid=getSuggestion(document,"ji");
        Almanac almanac=new Almanac(solarDate,lunarDate,chineseAra,should,avoid);
        return almanac;
    }
    /*
     * 獲取忌/宜
     */
    private static String getSuggestion(Document doc,String id){
        Element element=doc.getElementById(id);
        Elements elements=element.getElementsByTag("a");
        StringBuffer sb=new StringBuffer();
        for (Element e : elements) {
            sb.append(e.text()+" ");
        }
        return sb.toString();
    }

    /*
     * 獲取公曆時間,用yyyy年MM月dd日 EEEE格式表示。
     * @return yyyy年MM月dd日 EEEE
     */
    private static String getSolarDate() {
        Calendar calendar = Calendar.getInstance();
        Date solarDate = calendar.getTime();
        SimpleDateFormat formatter = new SimpleDateFormat("yyyy年MM月dd日 EEEE");
        return formatter.format(solarDate);
    }

}

　　爲了簡單明瞭我把抓取解析抽象成了幾個獨立的方法，

　　其中pickData()方法使用httpClient來抓取數據到一個字符串中（就是在網頁上點擊查看源代碼看到的HTML源碼），

analyzeHTMLByString()方法來解析抓取到的字符串，getSuggestion方法把抓取方法相似的宜忌數據抽象到了

一塊兒，另外由於公曆時間能夠很容易的本身生成就沒有在網頁上爬取。

　　而後下面是一個測試類簡單測試下效果：

AlmanacUtilTest.java

package com.likx.picker.util.test;

public class AlmanacUtilTest {
    
    public static void main(String args[]){
        Almanac almanac=AlmanacUtil.getAlmanac();
        System.out.println("公曆時間："+almanac.getSolar());
        System.out.println("農曆時間："+almanac.getLunar());
        System.out.println("天干地支："+almanac.getChineseAra());
        System.out.println("宜："+almanac.getShould());
        System.out.println("忌："+almanac.getAvoid());
    }
}

　　運行結果以下：

　　集成到實際項目中效果是這樣的：

　　另外最近博客一直沒怎麼更新，由於最近考慮到技術氛圍的緣由，離開了對日外包行業，前往

一家互聯網公司就任。說一下最近的感覺，那就是一個程序員最核心的競爭力不是學會了多少框架，

掌握多少種工具（固然這些對於程序員也不可或缺），而是紮實的基礎以及快速學習的能力，好比今天

這個項目，從對httpClient，jsoup工具一無所知到編寫出Demo代碼總計大概1個多小時，在以前對於

我來講是不可想象的，在技術氛圍濃厚的地方快速get技能的感受，很是好。

　　固然本例只是一個很是淺顯的小例子，網頁上內容也很容易抓取，httpClient及jsoup工具更多強大

的地方沒有體現到，好比httpClient不只能夠發送get請求，並且能夠發送post請求，提交表單，傳送

文件，還好比jsoup最強大的地方在於它支持仿jquery的選擇器。本例僅僅使用了最簡單的document.getElementById()

匹配元素，實際上jsoup的選擇器異常強大，能夠說它就是java版的jquery,好比這樣：

Elements links = doc.select("a[href]"); // a with href
Elements pngs = doc.select("img[src$=.png]");
  // img with src ending .png
Element masthead = doc.select("div.masthead").first();
  // div with class=masthead
Elements resultLinks = doc.select("h3.r > a"); // direct a after h3