如何利用Java爬取網(wǎng)站數(shù)據(jù)？

1.Jsoup介紹

– 官網(wǎng)文檔：https://jsoup.org

– Jsoup 是一款Java 的HTML解析器，可直接解析某個(gè)URL地址、HTML文本內(nèi)容。它提供了一套非常省力的API，可通過(guò)DOM，CSS以及類似于jQuery的操作方法來(lái)取出和操作數(shù)據(jù)。

2. Jsoup快速入門

– 獲取網(wǎng)頁(yè)標(biāo)題

　　String url = "https://search.jd.com/Search?keyword=手機(jī)&wq=手機(jī)&page=1";
　　Document document = Jsoup.connect(url).get();
　　String title = document.select("title").text();
　　System.out.println(title);
　　```

– 運(yùn)行效果：手機(jī) – 商品搜索 – 京東

3. 網(wǎng)站數(shù)據(jù)分析

3.1 分析網(wǎng)站的訪問(wèn)地址

– 以京東商城為例，商品分頁(yè)列表的url地址，需要帶如下幾個(gè)參數(shù)，因此，在發(fā)送http請(qǐng)求時(shí)，需要攜帶正確的參數(shù)。

– URL：https://search.jd.com/Search?keyword=手機(jī)&wq=手機(jī)&page=1

3.2 分析網(wǎng)站的頁(yè)面結(jié)構(gòu)

– 通過(guò)瀏覽器的開發(fā)者工具，可以分析出頁(yè)面中我們需要的html結(jié)構(gòu)。

<img src="assets/image-20220717171103097.png" alt="image-20220717171103097" style="zoom:67%;" />

– 可以看出，我們需要的商品數(shù)據(jù)，封裝在一個(gè)id=J_goodsList的div標(biāo)簽中，我們可以方便的通過(guò)DOM解析出這塊數(shù)據(jù)。

4. 實(shí)戰(zhàn)實(shí)現(xiàn)過(guò)程

– 獲取第1頁(yè)的商品基本數(shù)據(jù)

public static void main(String[] args) throws Exception {
    //第1頁(yè)地址
    String url = "https://search.jd.com/Search?keyword=手機(jī)&wq=手機(jī)&page=1";
    //發(fā)送http請(qǐng)求
    Document document = Jsoup.connect(url).get();
    //在id=J_goodsList的div下，獲取所有帶有data-sku屬性的li標(biāo)簽
    Elements lis = document.select("div[id=J_goodsList] li[data-sku]");
    lis.forEach(
            li -> {
                //獲取商品sku
                String sku = li.attr("data-sku");
                //獲取商品name
                String name = li.select("div[class='p-name p-name-type-2'] a em").text();
                //獲取商品圖片地址
                String img = li.select("div[class=p-img] a img[data-lazy-img]").attr("data-lazy-img");
               
                System.out.println(String.format("%s, %s, %s", sku, name, img));
            }
    );
}

– 效果預(yù)覽

– 改造為分頁(yè)獲取

public static void main(String[] args) throws Exception {
    //第N頁(yè)地址
    String url = "https://search.jd.com/Search?keyword=手機(jī)&wq=手機(jī)&page=" + i;
    //發(fā)送http請(qǐng)求
    Document document = Jsoup.connect(url).get();
    //在id=J_goodsList的div下，獲取所有帶有data-sku屬性的li標(biāo)簽
    Elements lis = document.select("div[id=J_goodsList] li[data-sku]");
    lis.forEach(
            li -> {
                //獲取商品sku
                String sku = li.attr("data-sku");
                //獲取商品name
                String name = li.select("div[class='p-name p-name-type-2'] a em").text();
                //獲取商品圖片地址
                String img = li.select("div[class=p-img] a img[data-lazy-img]").attr("data-lazy-img");

                System.out.println(String.format("%s, %s, %s", sku, name, img));
            }
    );
}