jsoup爬虫简书首页数据做个小Demo

立即下载用AI写一个

发布时间：2017-09-11

23人 | 浏览：4483次 | 收藏 |

技术：第三方库；网络爬虫；

运行环境：Android Studio2.3；Android4.4+；jdk1.8

概述

意外之间发现了jsoup这个强大的框架，就花了上午时间学习了一下，然后下午做了一个小Demo，功能比较单一，请见谅。

详细

*昨天LZ去面试，遇到一个大牛，被血虐一番，发现自己基础还是很薄弱，对java一些原理掌握的还是不够稳固，比如java反射注解，知道一点就是说不出来，很尴尬... 生命不止，学习不止啊*

> 之前那个项目 QNews 用的是的第三方的数据平台，所以访问次数会有限制，这就很无奈。。。

*[我的博客地址](https://xiaweizi.github.io/)*

![次数限制.PNG](/contentImages/image/jianshu/4043475-9c19479cc64957ec.PNG)

>每天只能请求100次....但是LZ这个穷屌丝也买不起服务器，所以就上网查，有什么别的方法可以获取数据，意外之间发现了jsoup这个强大的框架，就花了上午时间学习了一下，然后下午做了一个小Demo，功能比较单一，请见谅。

> 其实一开始的时候是想 爬今日头条的数据，但是发现数据总是为空，我估计是上锁了... 然后就把矛头转向了 简书，哈哈哈...果然简书就是好，数据直接就可以爬到了， 好开心啊！！

先演示一波动态图：

![整体效果.gif](/contentImages/image/jianshu/4043475-1015dbce5faa6a90.gif)

> 话说这个布局就花了我半个小时...

> 一些基础的我就不说了，就简单说明一下我的数据是如何爬到的。可以直接去看一下我的源码，写的比较仓促，一些细节没有处理好，多多指教。

# 1. 准备 #
#### 1. 相关资料 ####

> [官方文档](https://jsoup.org/cookbook/)
> 
> [中文文档](http://www.open-open.com/jsoup/)

#### 2. 添加依赖 ####

compile 'org.jsoup:jsoup:1.9.2'
#### 3. 打开简书首页 ####
![first.gif](/contentImages/image/jianshu/4043475-47c5c0014f33995c.gif)

在单个部分上 右击，然后点击**检查**选项(我用的是QQ浏览器，其他未尝试)，底部就会跳出网页的源码，并且会跟踪到这个item对应的源码。

从上图可以大概了解到每个`<li></li>`标签里的内容就是我们每个item的信息。
# 2. 爬数据  #
#### 1. 获取 `Document` 对象 ####

Document document = Jsoup.connect("http://www.jianshu.com/")
		                         .timeout(10000)
		                         .get();
>这里通过建立与服务器的链接，并设置10s的超时连接来获取 `Document` 对象

#### 2. 获取跟标签的 `Elements` 对象 ####

![first.PNG](/contentImages/image/jianshu/4043475-3c651e3f8adb56fc.PNG)

Elements noteList = document.select("ul.note-list");
    Elements li = noteList.select("li");
>找到文章列表模块，发现 `<ul class="note-list></ul>` 是我们需要信息的跟标签。通过 `select` 方法查询节点所有信息。

for (Element element : li) {
		...
	}

>下面全部都是 `li`标签的列表，里面的内容大致相似，我们就可以通过循环来遍历里面的信息。

#### 3. 获取每个部分所有信息 ####

因为信息比较多，我就选择比较有代表性的来将一下。

有个非常简单的方式：直接在你需要获取内容的部分右击，点击 **检查**，就可以直接追踪到要查询的位置。

![second.gif](/contentImages/image/jianshu/4043475-97a92643e9d4212e.gif)

#### 1. 标题 ####
> 就拿标题而言，直接在标题右击-->检查，即可，一目了然。然后我把数据截图一下。

![second.PNG](/contentImages/image/jianshu/4043475-79b584e8b487c788.PNG)

String title = element.select("a.title").text()

> 通过 `select` 查询节点信息，然后` .text` 获取里面文本内容。

#### 2. 头像： ####
![third.PNG](/contentImages/image/jianshu/4043475-9a1309b80f3eca30.PNG)

String avatar = element.select("a.avatar").select("img").attr("src")
> 这个就是先找到头像 节点，然后图片节点，最后通过 `attr` 获取图片 `url`

#### 3. 首页链接 ####

![forth.PNG](/contentImages/image/jianshu/4043475-f74c2389c73ebcc6.PNG)

String authorLink = element.select("a.blue-link").attr("abs:href")
> 这里注意 `href` 元素，他存放的就是跳转链接，不过是相对路径，这个时候就需要通过 `attr("abs:href")` 获取绝对路径。

其他 就 大同小异，其实我知道也就这么多，也是不断尝试通过打印得出来的，还是比较心酸的，比较没学过 `js`，不过对 `js` 挺有兴趣的。
# 3. 封装 #
剩下的就是将获取到的数据加载到bean对象中

#### 1. 创建 bean 对象 ####
	public class JianshuBean {
	    private String authorName;          // 作者
	    private String authorLink;          // 作者链接
	    private String time;                // 更新时间
	    private String primaryImg;          // 主图
	    private String avatarImg;           // 头像
	
	    private String title;               // 标题
	    private String titleLink;           // 标题链接
	    private String content;             // 内容
	    private String collectionTagLink;   // 专题链接
	    private String readNum;             // 阅读量
	
	    private String talkNum;             // 评论
	    private String likeNum;             // 喜欢
	    private String collectionTag;       // 专题
	
		// ... get set
	}
#### 2. 将获取到的数据添加到集合中 ####

for (Element element : li) {
        JianshuBean bean = new JianshuBean();
        bean.setAuthorName(element.select("div.name").text()); // 作者姓名
        bean.setAuthorLink(element.select("a.blue-link").attr("abs:href")); // 作者首页链接
        bean.setTime(element.select("span.time").attr("data-shared-at"));   // 发表时间
        bean.setPrimaryImg(element.select("img").attr("src"));  // 主图
        bean.setAvatarImg(element.select("a.avatar").select("img").attr("src")); // 头像

bean.setTitle(element.select("a.title").text());    // 标题
        bean.setTitleLink(element.select("a.title").attr("abs:href")); // 标题链接

bean.setContent(element.select("p.abstract").text());       // 内容
        bean.setCollectionTagLink(element.select("a.collection-tag").attr("abs:href")); // 专题链接

String[] text = element.select("div.meta").text().split(" ");
        if (text[0].matches("[0-9]+")) {
            bean.setReadNum(text[0]);
            bean.setTalkNum(text[1]);
            bean.setLikeNum(text[2]);
        } else {
            bean.setCollectionTag(text[0]);
            bean.setReadNum(text[1]);
            bean.setTalkNum(text[2]);
            bean.setLikeNum(text[3]);

}
        mBeans.add(bean);
    }

再来看一下效果：

![整体效果.gif](/contentImages/image/jianshu/4043475-1015dbce5faa6a90.gif)

#####项目文件截图：
![](/contentImages/image/20170911/vOeDVab3iqaHwsR9nAm.gif)

- 点击头像查看作者信息
- 点击图片或文字查看文章内容
- 点击专题查看专题内容
- 下拉刷新获取最新内容

希望大家多多支持我，谢谢！

本实例支付的费用只是购买源码的费用，如有疑问欢迎在文末留言交流，如需作者在线代码指导、定制等，在作者开启付费服务后，可以点击“购买服务”进行实时联系，请知悉，谢谢

感谢

手机上随时阅读、收藏该文章？请扫下方二维码