如何通过Java代码实现对网页数据进行指定抓取

Posted 2023-05-06

参考技术A 通过Java代码实现对网页数据进行指定抓取方法步骤如下：
1在工程中导入Jsoup.jar包

2获取网址url指定html或者文档指定的body

3获取网页中超链接的标题和链接

4获取指定博客文章的内容

5获取网页中超链接的标题和链接的结果 参考技术B 在工程中导入Jsoup.jar包

获取网址url指定HTML或者文档指定的body

获取网页中超链接的标题和链接

获取指定博客文章的内容

获取网页中超链接的标题和链接的结果本回答被提问者采纳 参考技术C 得到的HTML之后，再进去解析

~

爬虫--python3.6+selenium+BeautifulSoup实现动态网页的数据抓取，适用于对抓取频率不高的情况

说在前面： 本文主要介绍如何抓取 页面加载后需要通过JS加载的数据和图片

本文是通过python中的selenium（pyhton包） + chrome（谷歌浏览器） + chromedrive（谷歌浏览器驱动）

chrome 和chromdrive建议都下最新版本（参考地址：https://blog.csdn.net/yoyocat915/article/details/80580066）

同样支持无头模式（不需要打开浏览器）

直接上代码：site_url：需要爬取的地址，CHROME_DRIVER_PATH：chromedrive存放地址

def get_dynamic_html(site_url):
    print(‘开始加载‘,site_url,‘动态页面‘)
    chrome_options = webdriver.ChromeOptions()
    #ban sandbox
    chrome_options.add_argument(‘--no-sandbox‘)
    chrome_options.add_argument(‘--disable-dev-shm-usage‘)
    #use headless，无头模式
    chrome_options.add_argument(‘--headless‘)
    chrome_options.add_argument(‘--disable-gpu‘)
    chrome_options.add_argument(‘--ignore-ssl-errors‘)
    driver = webdriver.Chrome(executable_path=CHROME_DRIVER_PATH,chrome_options=chrome_options)
    #print(‘dynamic laod web is‘, site_url)
    driver.set_page_load_timeout(100)
    #driver.set_script_timeout(100)
    try:
        driver.get(site_url)
    except Exception as e:
        #driver.execute_script(‘window.stop()‘)  # 超出时间则不加载
        print(e, ‘dynamic web load timeout‘)
    data = driver.page_source
    soup = BeautifulSoup(data, ‘html.parser‘)
    try:
        driver.quit()
    except:
        pass
    return soup

返回的一个soup，这样可以对这个soup进行搜索节点，使用select，search，find等方法找到你想要的节点或者数据

同样如果你想变成文本下载下来，则

try:
        with open(xxx.html, ‘w+‘, encoding="utf-8") as f:
            #print (‘html content is:‘,content)
            f.write(get_dynamic_html(‘https://xxx.com‘).prettify())
            f.close()
    except Exception as e:
        print(e)

下面详细说一下，beautifusoup的搜索

首先如何定位到一个标签

1.使用 find  （这位博主详细介绍了https://www.jb51.net/article/109782.htm）

• find() 返回匹配第一个：如soup.find(name=‘ul‘,attrs={class:‘hh‘}) 返回第一个 class=‘hh‘的ul
• find_all() 返回全部
• find_parent() 搜索父标签，返回第一个
• find_parents()搜索父标签，返回全部
• find_next_sibling()返回下一个同级标签
• find_next_siblings()
• find_previous_sibling() 返回上一个同级标签
• find_previous()返回前面的标签
• find_all_previous()
• find_next()返回后面的标签
• find_all_next()

2.使用select

 通过标签名，类名，id 类似 Jquery的选择器 如 soup.select(‘p .link #link1‘) 选择定位到 <p class=‘link‘ id=‘link1‘></p>

 

通过属性查找 ，如href ，title，link等属性，如  soup.select(‘p a[href="http://example.com/elsie"]‘)

这里匹配到的是最小的 <a href=‘http://example.com/elsie‘></a> 并且他的上级为<p></p>

 

最后通过beautifusoup是筛选元素的一种好的方法，下篇我们介绍正则表达式匹配筛选 爬虫内容