前言
之前有写过如何利用Jsoup去爬取页面信息《Java爬虫实战——利用Jsoup爬取网页资源》，那里主要是借助Jsoup的Selector语法去定位和筛选页面信息，那样使用起来有一定的局限性，并且不太方便（不熟练的话花在确定Selector的时间挺久），特别是对于有Web自动化基础的童鞋，写过WebDriver的元素定位肯定会知道Xpath，几乎所有的元素都可以通过Xpath定位到。所以本文就会将Jsoup与Xpath结合使用，愉快的抓取页面上我们需要的信息。
如何做？
采用Jsoup + javax.xml + htmlcleaner方案实现，通过Jsoup拿到整个页面的HTML代码，然后利用 javax.xml + htmlcleaner解析页面DOM，再利用Xpath表达式定位页面信息，下面看具体的实现步骤：
实现步骤
1、需要的依赖包
这里采用maven方式：
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.10.3</version>
</dependency>
<dependency>
<groupId>javax.xml</groupId>
<artifactId>jaxp-api</artifactId>
<version>1.4.2</version>
</dependency>
<dependency>
<groupId>net.sourceforge.htmlcleaner</groupId>
<artifactId>htmlcleaner</artifactId>
<version>2.9</version>
</dependency>
2、封装Jsoup
代码没啥好说的，都是边看API边写，我这里就直接给出已封装好的JsoupHelper类供参考吧。
import java.io.IOException;
import java.util.ArrayList;
import java.util.LinkedHashMap;
import java.util.List;
import java.util.Map;
import javax.xml.xpath.XPath;
import javax.xml.xpath.XPathConstants;
import javax.xml.xpath.XPathFactory;
import org.htmlcleaner.CleanerProperties;
import org.htmlcleaner.DomSerializer;
import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.TagNode;
import org.jsoup.Connection;
import org.jsoup.Jsoup;
import org.w3c.dom.Document;
import org.w3c.dom.Node;
import org.w3c.dom.NodeList;
public class JsoupHelper {
public static Object fecthNode(String url, String xpath) throws Exception {
String html = null;
try {
Connection connect = Jsoup.connect(url);
html = connect.get().body().html();
} catch (IOException e) {
e.printStackTrace();
return null;
}
HtmlCleaner hc = new HtmlCleaner();
TagNode tn = hc.clean(html);
Document dom = new DomSerializer(new CleanerProperties()).createDOM(tn);
XPath xPath = XPathFactory.newInstance().newXPath();
Object result = xPath.evaluate(xpath, dom, XPathConstants.NODESET);
return result;
}
/**
*获取xpath下的a标签的文本值及href属性值
/**
public static Map<String, String> fecthByMap(String url, String xpath) throws Exception {
Map<String, String> nodeMap = new LinkedHashMap<>();
Object result = fecthNode(url, xpath);
if (result instanceof NodeList) {
NodeList nodeList = (NodeList) result;
for (int i = 0; i < nodeList.getLength(); i++) {
Node node = nodeList.item(i);
if(node == null){
continue;
}
nodeMap.put(node.getTextContent(), node.getAttributes().getNamedItem("href")!=null ?
node.getAttributes().getNamedItem("href").getTextContent() : "");
System.out.println(node.getTextContent() + " : " + node.getAttributes().getNamedItem("href"));
}
}
return nodeMap;
}
/**
*获取xpath下的某个属性值
/**
public static List<String> fecthAttr(String url, String xpath, String attr) throws Exception {
List<String> list = new ArrayList<>();
Object result = fecthNode(url, xpath);
if (result instanceof NodeList) {
NodeList nodeList = (NodeList) result;
for (int i = 0; i < nodeList.getLength(); i++) {
Node node = nodeList.item(i);
if(node == null){
continue;
}
list.add(node.getAttributes().getNamedItem(attr).getTextContent());
//System.out.println(node.getTextContent() + " : " + node.getAttributes().getNamedItem("href"));
}
}
return list;
}
测试一下看下效果：
public static void main(String[] args) throws Exception{
fecthByMap("http://www.jianshu.com/u/bf7b9c013c55","//ul[@class='note-list']/li//a[@class='title']");
}
抓取简书个人主页的所有文章标题及url，xpath定位的效果如下：
执行上述main方法的测试代码，打印的log如下：
Java爬虫实战——利用jsoup爬取网页资源 : href="/p/3c23726ab833"
WebDriver对象管理之PageObject与PageFactory对比 : href="/p/de643bbf534b"
测试er如何开启自己的第二事业？ : href="/p/2fa1555a34d0"
自动化测试之随机化测试思想 : href="/p/2fc1b73bacda"
SDK、JAR等Library API形式的发布包该如何测试？ : href="/p/de3a3e7b4ef7"
Android自定义Dialog对话框 : href="/p/42cebea746e7"
总结
最后总结下使用这种方式的好处：
1、Xpath表达式更加灵活，定位范围更加广泛，几乎所有的元素都可以定位到；
2、对于熟悉Web自动化测试的童鞋更容易把握，使用几乎无障碍；
那使用它又有什么用处呢？
1、用于Web自动化测试，通过Jsoup去遍历页面元素，从而验证页面的功能；
2、用于数据采集，遍历页面信息，通过xpath过滤，采集需要的信息；
当然这种组合的好处和用处远远不止上述几点（小编目前就是用它作为数据采集），暂时体验到的就是上面几点，欢迎大家继续挖掘！
原文来自下方公众号，转载请联系作者，并务必保留出处。
想第一时间看到更多原创技术好文和资料，请关注公众号：测试开发栈
网友评论