Jsoup初探

简介

jsoup is an open-source Java library of methods designed to extract and manipulate data stored in HTML documents.

Jsoup就是一个用java语言编写用来获取和操控html页面及元素的开源Jar包。
我们使用的一般是1.7的版本,博主用的是jsoup-1.7.2.jar

文档

jsoup有官方的中文使用文档,比较简单jsoup Cookbook(中文版)

用法

一小段代码爬取我的博客文章标题列表,带您简单了解它的用法
选择器截图:

主页选择器
package com.blog.jsoup;

import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;

public class BlogSpider {

public static void main(String[] args) {
  try {
    Document doc = Jsoup.connect("http://www.jianshu.com/users/7a8e041a132c/latest_articles").get();
    //通过选择器获取文章列表,选择器dom元素直接通过Chrome开发者工具检查元素Copy -> Copy Selector即可获取
    Elements articleList = doc.select("#list-container > ul > li > div > h4 > a");
    for (int i = 0; i < articleList.size(); i++) {
      System.out.println(articleList.get(i).text());
    }
  } catch (IOException e) {
    e.printStackTrace();
  }

}

}

运行结果如下:

运行结果

细心的读者可能会发现进入我的博客主页之后最新文章列表不止爬取显示的九篇,而是会不断加载更多,这是因为访问这个页面时生成的静态页面只请求了第一页的数据,而随着用户下拉,异步加载了更多的数据,这个是在浏览器生成静态页面之后做的,所以在这里没有办法拿到。这说明了很重要的一点,Jsoup访问页面所拿到的html是我们传统意义上查看网页源代码的数据,而不是你在审查元素的那些数据,所以,想要拿到异步加载的数据需要去解析异步访问的js,然后通过抓包来查看访问的servlet看看能不能模拟访问拿到更多数据。

访问https页面

由于https的证书加密了,直接通过上述方法去访问并提取html页面也会报错

javax.net.ssl.SSLHandshakeException: java.security.cert.CertificateException: No subject alternative DNS name matching m.v.qq.com found.
at com.sun.net.ssl.internal.ssl.Alerts.getSSLException(Alerts.java:174)
at com.sun.net.ssl.internal.ssl.SSLSocketImpl.fatal(SSLSocketImpl.java:1747)
at com.sun.net.ssl.internal.ssl.Handshaker.fatalSE(Handshaker.java:241)
at com.sun.net.ssl.internal.ssl.Handshaker.fatalSE(Handshaker.java:235)
at com.sun.net.ssl.internal.ssl.ClientHandshaker.serverCertificate(ClientHandshaker.java:1209)
at com.sun.net.ssl.internal.ssl.ClientHandshaker.processMessage(ClientHandshaker.java:135)
at com.sun.net.ssl.internal.ssl.Handshaker.processLoop(Handshaker.java:593)
at com.sun.net.ssl.internal.ssl.Handshaker.process_record(Handshaker.java:529)
at com.sun.net.ssl.internal.ssl.SSLSocketImpl.readRecord(SSLSocketImpl.java:943)
at com.sun.net.ssl.internal.ssl.SSLSocketImpl.performInitialHandshake(SSLSocketImpl.java:1188)
at com.sun.net.ssl.internal.ssl.SSLSocketImpl.startHandshake(SSLSocketImpl.java:1215)
at com.sun.net.ssl.internal.ssl.SSLSocketImpl.startHandshake(SSLSocketImpl.java:1199)
at sun.net.www.protocol.https.HttpsClient.afterConnect(HttpsClient.java:476)
at sun.net.www.protocol.https.AbstractDelegateHttpsURLConnection.connect(AbstractDelegateHttpsURLConnection.java:166)
at sun.net.www.protocol.https.HttpsURLConnectionImpl.connect(HttpsURLConnectionImpl.java:133)
at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:439)
at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:424)
at org.jsoup.helper.HttpConnection.execute(HttpConnection.java:178)
at org.jsoup.helper.HttpConnection.get(HttpConnection.java:167)
at com.blog.jsoup.BlogSpider.main(BlogSpider.java:13)
Caused by: java.security.cert.CertificateException: No subject alternative DNS name matching m.v.qq.com found.
at sun.security.util.HostnameChecker.matchDNS(HostnameChecker.java:193)
at sun.security.util.HostnameChecker.match(HostnameChecker.java:77)
at com.sun.net.ssl.internal.ssl.X509TrustManagerImpl.checkIdentity(X509TrustManagerImpl.java:264)
at com.sun.net.ssl.internal.ssl.X509TrustManagerImpl.checkServerTrusted(X509TrustManagerImpl.java:250)
at com.sun.net.ssl.internal.ssl.ClientHandshaker.serverCertificate(ClientHandshaker.java:1188)
... 15 more

好在java有提供相应的方法去访问:
为了阅读方便,贴出整个class

package com.blog.jsoup;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URL;
import java.security.SecureRandom;

import javax.net.ssl.HostnameVerifier;
import javax.net.ssl.HttpsURLConnection;
import javax.net.ssl.SSLContext;
import javax.net.ssl.SSLSession;
import javax.net.ssl.TrustManager;
import javax.net.ssl.X509TrustManager;
import javax.security.cert.CertificateException;
import javax.security.cert.X509Certificate;

import org.apache.http.conn.ssl.AllowAllHostnameVerifier;
import org.apache.http.conn.ssl.SSLSocketFactory;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;

public class BlogSpider {

public static void main(String[] args) {
try {
  Document doc = Jsoup.connect("http://www.jianshu.com/users/7a8e041a132c/latest_articles").get();
  // 通过选择器获取文章列表,选择器dom元素直接通过Chrome开发者工具检查元素Copy -> Copy Selector即可获取
  Elements articleList = doc.select("#list-container > ul > li > div > h4 > a");
  for (int i = 0; i < articleList.size(); i++) {
    System.out.println(articleList.get(i).text());
  }
} catch (IOException e) {
  e.printStackTrace();
}
try {
  SSLSocketFactory.getSocketFactory().setHostnameVerifier(new AllowAllHostnameVerifier());

  String https = "https://m.v.qq.com/x/page/xxxxxxxxx.html";
  // Document doc = Jsoup.connect(https).get();
  init();
  HttpsURLConnection conn = (HttpsURLConnection) new URL(https).openConnection();
  conn.setDoOutput(true);
  conn.setDoInput(true);
  conn.connect();
  BufferedReader br = new BufferedReader(new InputStreamReader(conn.getInputStream()));
  StringBuffer sb = new StringBuffer();
  String line;
  while ((line = br.readLine()) != null)
    sb.append(line);

  Document doc = Jsoup.parse(sb.toString());
} catch (Exception e) {
  e.printStackTrace();
}

}

public static void init() {
try {
  SSLContext sc = SSLContext.getInstance("TLS");
  sc.init(null, new TrustManager[] { new X509TrustManager() {
    public void checkClientTrusted(X509Certificate[] chain, String authType) throws CertificateException {
    }

    public void checkServerTrusted(X509Certificate[] chain, String authType)

        throws CertificateException {
    }

    @Override
    public java.security.cert.X509Certificate[] getAcceptedIssuers() {
      return null;
    }

    @Override
    public void checkClientTrusted(java.security.cert.X509Certificate[] arg0, String arg1)
        throws java.security.cert.CertificateException {
      // TODO Auto-generated method stub

    }

    @Override
    public void checkServerTrusted(java.security.cert.X509Certificate[] arg0, String arg1)
        throws java.security.cert.CertificateException {
      // TODO Auto-generated method stub

    }
  } }, new SecureRandom());
  HttpsURLConnection.setDefaultSSLSocketFactory(sc.getSocketFactory());
  HttpsURLConnection.setDefaultHostnameVerifier(new HostnameVerifier() {
    @Override
    public boolean verify(String arg0, SSLSession arg1) {
      return true;
    }

  });
} catch (Exception e) {
  e.printStackTrace();
}
}

}

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,684评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,143评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,214评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,788评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,796评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,665评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,027评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,679评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 41,346评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,664评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,766评论 1 331
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,412评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,015评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,974评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,203评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,073评论 2 350
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,501评论 2 343

推荐阅读更多精彩内容

  • Android 自定义View的各种姿势1 Activity的显示之ViewRootImpl详解 Activity...
    passiontim阅读 171,445评论 25 707
  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,596评论 18 139
  • 镇上唯一一间小旅馆,从斑驳的墙纸已能闻出破败气息,但显然并不减少在此逗留的人气。毕竟,小镇上种种醋雨酸风就是在旅馆...
    INKMAX阅读 259评论 0 0
  • 就这样我们走走停停,经过一段平坦的公路,便又是一条蜿蜒的山路。路的两旁不再是樱花,而是参天大树,树荫把太阳给遮住了...
    小肥皂sy阅读 805评论 5 4
  • 文字苏梦阅读 163评论 0 0