Android实战——jsoup实现网络爬虫，糗事百科项目的起步

Posted 2021-01-04 张丽心

---

 

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

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

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的配置很简单，需要在gradle中添加以下依赖

由于jsoup需要获取网络数据，所以记得添加网络权限

一、获取HTML

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

① get方式

② post方式

这里对post的参数介绍一下

• connect：设置连接的Url
• data：设置post的键值对数据
• userAgent：设置用户代理（请求头的东西，可以判断你是PC还是Mobile端）
• cookie：设置缓存
• timeout：设置请求超时
• post：发送post请求

既然已经获取HTML的Document对象了，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，我们查看糗事百科首页的数据对应的Html元素是什么，我们可以通过F12，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，我们可以通过这个a标签的class=”contentHerf”作为唯一标识来获取该链接，获取之后，继续爬取详情页的文章详细内容，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，我们可以通过图片的的class=”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，我们需要在爬取完第一张内容后，接着爬取第二章的内容，下面是糗事百科的分页Url的规则，很简单，我们可以通过一个循环就可以了

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

② Android端

通过上面的分析后，可以总结我们需要实现的步骤有：

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，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） 爬取主页的详情页url

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

这里对使用到的对象进行介绍

• Document：相当于一个Html文件
• Elements：相当于一个标签的集合
• Element：相当于一个标签

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

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

css选择器

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

2） 进入详情页爬取内容和图片

这段代码也相当简单，这里就不多解释了

3） 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，完整代码如下

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

5） 后面爬取作者、日期、评论等信息就由你们去练习了，雅思7分有多难然后界面一仿，项目就出来了

三、爬取结果

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