Java爬蟲之利用Jsoup自制簡單的搜索引擎

GHOST_349178 發布于2019-08-15 15:11 / 2947人閱讀

摘要：的官方網址為，其使用手冊網址為本次分享將實現的功能為利用爬取某個搜索詞語暫僅限英文的百度百科的介紹部分，具體的功能介紹可以參考博客爬蟲自制簡單的搜索引擎。

??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。它提供了一套非常省力的API，可通過DOM，CSS以及類似于jQuery的操作方法來取出和操作數據。Jsoup的官方網址為： https://jsoup.org/，其API使用手冊網址為：https://jsoup.org/apidocs/ove... .
??本次分享將實現的功能為：利用Jsoup爬取某個搜索詞語（暫僅限英文）的百度百科的介紹部分，具體的功能介紹可以參考博客：Python爬蟲——自制簡單的搜索引擎。在上篇爬蟲中我們用Python進行爬取，這次，我們將用Java來做爬蟲，你沒看錯，就是Java.
??在Eclipse中加入Jsoup包，下載網址為：https://jsoup.org/download .
??爬蟲的具體代碼如下：

package baiduScrape;

/* 
 * 本爬蟲主要利用Java的Jsoup包進行網絡爬取
 * 本爬蟲的功能： 爬取百度百科的開頭介紹部分
 * 使用方法： 輸入關鍵字（目前只支持英文）即可
 */

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import java.net.*;
import java.io.*;
import java.util.Scanner;

public class BaiduScrape {
    
    public static void main(String[] args) {
        Scanner input = new Scanner(System.in);
        String baseUrl = "https://baike.baidu.com/item/";
        String url = "";
        
        // 如果輸入文字不是"exit"，則爬取其百度百科的介紹部分，否則退出該程序
        while(true) {
            System.out.println("Enter the word(Enter "exit" to exit):");
            url = input.nextLine();
            if(url.equals("exit")) {
                System.out.println("The program is over.");
                break;
            }
            String introduction = getContent(baseUrl+url);
            System.out.println(introduction+"
");
        }
    }
    
    // getContent()函數主要實現爬取輸入文字的百度百科的介紹部分
    public static String getContent(String url){
        // 利用URL解析網址
        URL urlObj = null;
        try{
            urlObj = new URL(url);
            
        }
        catch(MalformedURLException e){
            System.out.println("The url was malformed!");
            return "";
        }
        
        // URL連接
        URLConnection urlCon = null;
        try{
            urlCon = urlObj.openConnection(); // 打開URL連接
            // 將HTML內容解析成UTF-8格式
            Document doc = Jsoup.parse(urlCon.getInputStream(), "utf-8", url);
            // 刷選需要的網頁內容
            String contentText = doc.select("div.lemma-summary").first().text();
            // 利用正則表達式去掉字符串中的"[數字]"
            contentText = contentText.replaceAll("[d+]", "");
            return contentText;
        }catch(IOException e){
            System.out.println("There was an error connecting to the URL");
            return "";
        }
        
    }
}

在上述代碼中，url為輸入詞條（暫時僅限于英文），進入while循環可一直搜索，當輸入為’exit’時退出。contentText為該詞條的百度百科簡介的網頁形式，通過正則表達式將其中的文字提取出來。代碼雖然簡潔，但是功能還是蠻強大的，充分說明Java也是可以做爬蟲的。
??接下來是愉快的測試時間：

??本次分享到此結束，接下來也會持續更新Jsoup方面的相關知識，歡迎大家交流~~

GPU云服務器云服務器爬蟲 jsoup jsoup爬蟲簡單的爬蟲 jsoup多線程爬蟲

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/68907.html

Java爬蟲：Jsoup + Phantomjs

摘要：一是一個開源解析器，可直接解析某個地址文本內容。通過或選擇器來查找取出數據，實現爬蟲。無頭瀏覽器一個完整的瀏覽器內核包括解析引擎渲染引擎請求處理等但是不包括顯示和用戶交互頁面的瀏覽器。（一）Jsoup Jsoup是一個Java開源HTML解析器，可直接解析某個URL地址、HTML文本內容。通過Dom或Css選擇器來查找、取出數據，實現爬蟲。 maven坐標 or...

songze 2019-08-22 15:32 評論0 收藏0
Java爬蟲：Jsoup + Phantomjs

摘要：一是一個開源解析器，可直接解析某個地址文本內容。通過或選擇器來查找取出數據，實現爬蟲。無頭瀏覽器一個完整的瀏覽器內核包括解析引擎渲染引擎請求處理等但是不包括顯示和用戶交互頁面的瀏覽器。（一）Jsoup Jsoup是一個Java開源HTML解析器，可直接解析某個URL地址、HTML文本內容。通過Dom或Css選擇器來查找、取出數據，實現爬蟲。 maven坐標 or...

fai1017 2019-08-15 14:52 評論0 收藏0
Java爬蟲之下載全世界國家的國旗圖片

摘要：介紹本篇博客將繼續上一篇博客爬蟲之使用的模塊爬取各國國旗的內容，將用來實現這個爬蟲，下載全世界國家的國旗圖片。介紹 ??本篇博客將繼續上一篇博客：Python爬蟲之使用Fiddler+Postman+Python的requests模塊爬取各國國旗的內容，將用Java來實現這個爬蟲，下載全世界國家的國旗圖片。項目不再過多介紹，具體可以參考上一篇博客。??我們將全世界國家的名稱放在一個...

YancyYe 2019-08-16 12:40 評論0 收藏0
Jsoup爬蟲獲取自己網站在百度搜索中的實時排名

摘要：沒有結果返回百度搜索的可以指定頁碼，最多一頁個，使用后有效減少了連接次數。但親測下來設置過以后的結果與實際用戶在百度搜索的結果排序和個數都有出入。 showImg(https://segmentfault.com/img/bVbnA0I?w=1280&h=787); 一直有一個需求，希望看到自己網站在百度的實時的排名用過一些工具，要么反應遲鈍，要么結果不準確或不實時于是打算用jsoup...

陳偉 2019-08-16 14:38 評論0 收藏0
jsoup爬蟲工具的簡單使用

摘要：爬蟲工具的使用需要的包解決方案通過獲得對象，調用等方法獲得對象，調用等方法，獲得自己想要的內容。也可以使用增強型循環將它遍歷。其中方法是獲得該元素的某某屬性值，比如標簽的值。如果一次方法沒用選到具體的，可以多次使用該方法。 jsoup爬蟲工具的使用： *需要的jar包 --> Jsoup* 解決方案：1.通過url 獲得doucment對象，2.調用select()等方法獲得Ele...

MRZYD 2019-08-14 18:34 評論0 收藏0