jsoup抓取页面源码的问题、源码被隐藏、
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了jsoup抓取页面源码的问题、源码被隐藏、相关的知识，希望对你有一定的参考价值。
使用Document document = Jsoup.parse(getHTML(url, "utf-8"));
获取页面源码、
http://dy.qq.com/daily.htm
这个网站里面的内容、任意连接、在谷歌的FireBug下能看到HTML中的元素、查看页面源码的时候显示的样式与js文件、怎么获取到真正的页面源码、
在线等.......
以解决、htmlunit+jsoup、
其实它的动态内容是js异步加载的，然后根据js返回的json对象动态设置到相应的位置的。你要抓内容就不能用Document这样的东西（Jsoup），直接用http的请求访问那些返回json对象的url，并把返回的东西解析成json对象，里面就有你想要的数据了。下一步就看你怎么利用这些数据了。
jsoup教程
jsoup是一款Java的HTML解析器，主要用来对HTML解析。官网
在爬虫的时候，当我们用HttpClient之类的框架，获取到网页源码之后，需要从网页源码中取出我们想要的内容，
就可以使用jsoup这类HTML解析器了。可以非常轻松的实现。
虽然jsoup也支持从某个地址直接去爬取网页源码，但是只支持HTTP，HTTPS协议，支持不够丰富。
所以，主要还是用来对HTML进行解析。
其中，要被解析的HTML可以是一个HTML的字符串，可以是一个URL，可以是一个文件。
org.jsoup.Jsoup把输入的HTML转换成一个org.jsoup.nodes.Document对象，然后从Document对象中取出想要的元素。
org.jsoup.nodes.Document继承了org.jsoup.nodes.Element，Element又继承了org.jsoup.nodes.Node类。里面提供了丰富的方法来获取HTML的元素。
从URL获取HTML来解析
Document doc = Jsoup.connect("http://www.baidu.com/").get();
String title = doc.title();
其中Jsoup.connect("xxx")方法返回一个org.jsoup.Connection对象。
在Connection对象中，我们可以执行get或者post来执行请求。但是在执行请求之前，
我们可以使用Connection对象来设置一些请求信息。比如：头信息，cookie，请求等待时间，代理等等来模拟浏览器的行为。
Document doc = Jsoup.connect("http://example.com")
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(3000)
.post();
获得Document对象后，接下来就是解析Document对象，并从中获取我们想要的元素了。
Document中提供了丰富的方法来获取指定元素。
使用DOM的方式来取得
getElementById(String id)：通过id来获取
getElementsByTag(String tagName)：通过标签名字来获取
getElementsByClass(String className)：通过类名来获取
getElementsByAttribute(String key)：通过属性名字来获取
getElementsByAttributeValue(String key, String value)：通过指定的属性名字，属性值来获取
getAllElements()：获取所有元素
通过类似于css或jQuery的选择器来查找元素
使用的是Element类的下记方法：
public Elements select(String cssQuery)
通过传入一个类似于CSS或jQuery的选择器字符串，来查找指定元素。
例子：
File input = new File("/tmp/input.html"); Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/"); Elements links = doc.select("a[href]"); //带有href属性的a元素 Elements pngs = doc.select("img[src$=.png]"); //扩展名为.png的图片 Element masthead = doc.select("div.masthead").first(); //class等于masthead的div标签 Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素
选择器的更多语法(可以在org.jsoup.select.Selector中查看到更多关于选择器的语法)：
tagname: 通过标签查找元素，比如：a
ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 <fb:name> 元素
#id: 通过ID查找元素，比如：#logo
.class: 通过class名称查找元素，比如：.masthead
[attribute]: 利用属性查找元素，比如：[href]
[^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素
[attr=value]: 利用属性值来查找元素，比如：[width=500]
[attr^=value], [attr$=value], [attr=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href=/path/]
[attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i).(png|jpe?g)]
*: 这个符号将匹配所有元素
Selector选择器组合使用
el#id: 元素+ID，比如： div#logo
el.class: 元素+class，比如： div.masthead
el[attr]: 元素+class，比如： a[href]
任意组合，比如：a[href].highlight
ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素
parent > child: 查找某个父元素下的直接子元素，比如：可以用div.content > p 查找 p 元素，也可以用body > * 查找body标签下所有直接子元素
siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div
siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p
el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo
伪选择器selectors
:lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素
:gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素
:eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
:has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
:not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表
:contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)
:containsOwn(text): 查找直接包含给定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
注意 ：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等
通过上面的选择器，我们可以取得一个Elements对象，它继承了ArrayList对象，里面放的全是Element对象。
接下来我们要做的就是从Element对象中，取出我们真正需要的内容。
通常有下面几种方法：
Element.text()
这个方法用来取得一个元素中的文本。
Element.html()或Node.outerHtml()
这个方法用来取得一个元素中的html内容
Node.attr(String key)
获得一个属性的值，例如取得超链接<a href="">中href的值
以上是关于jsoup抓取页面源码的问题、源码被隐藏、的主要内容，如果未能解决你的问题，请参考以下文章
Java抓取Codeforces——针对某一次提交的源码和数据