别人家的程序员是如何使用 Java 进行 Web 抓取的？

最新推荐文章于 2021-03-11 16:20:20 发布

转载最新推荐文章于 2021-03-11 16:20:20 发布 · 1.1k 阅读

本文介绍了Web抓取，它可收集信息用于数据分析等，与Web爬虫有区别。同时指出Web抓取使用不当可能违法，需注意相关情况。还重点介绍了流行的Web抓取框架JSoup，包括其解析字符串、URL、文件的方法，以及设置属性值、添加或删除类等操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

640?wx_fmt=gif

640?wx_fmt=jpeg

Web抓取非常有用，它可以收集信息供多种用途使用，如数据分析、统计、提供第三方信息，还可以给深神经网络和深度学习提供数据。

Web抓取是什么？

有一种非常广泛的误解，人们似乎把Web抓取和Web爬虫当成了同一种东西。所以我们先明确这一点。

两者有个非常显著的区别：

Web爬虫，指搜索或“爬”网页以获得任意信息的过程。通常是搜索引擎如Google、Yahoo或Bing的功能，以便给我们显示搜索结果。

Web抓取，指从特定的网站上利用特别定制的自动化软件手机信息的过程。

注意！

尽管Web抓取本身是从网站获取信息的合法方式，但如果使用不当，可能会变成非法。

有几种情况需要特别注意：

Web抓取可以被认为是拒绝服务攻击：发送太多请求来获取数据会给服务器带来太多压力，从而限制了正常用户访问网站的能力。
无视版权法和服务条款：因为许多人、许多组织和公司都开发Web抓取软件来收集信息，给许多网站如Amazon、eBay、LinkedIn、Instagram、Facebook等带来了不小的麻烦。因此，绝大多数网站都禁止使用抓取软件获取他们的数据，你必须获得书面许可才能收集数据。
Web抓取可被恶意使用：抓取软件的行为很像机器人，一些框架甚至提供能够自动填写并提交表单的工具。因此可以被用作自动垃圾发送工具，甚至能攻击网站。这也是CAPTCHA存在的原因之一。

如果你想开发一个强大的抓取软件，请务必考虑以上几点，遵守法律和法规。

Web抓取框架

就像许多现代科技一样，从网站提取信息这一功能也有多个框架可以选择。最流行的有JSoup、HTMLUnit和Selenium WebDriver。我们这篇文章讨论JSoup。

JSoup

JSoup是个开源项目，提供强大的数据提取API。可以用它来解析给定URL、文件或字符串中的HTML。它还能操纵HTML元素和属性。

使用JSoup解析字符串

解析字符串是JSoup的最简单的使用方式。

public class JSoupExample {

    public static void main(String[] args) {

        String html = "<html><head><title>Website title</title></head><body><p>Sample paragraph number 1 </p><p>Sample paragraph number 2</p></body></html>";



        Document doc = Jsoup.parse(html);

        System.out.println(doc.title());

        Elements paragraphs = doc.getElementsByTag("p");

        for (Element paragraph : paragraphs) {

            System.out.println(paragraph.text());

        }

    }

这段代码非常直观。调用parse()方法可以解析输入的HTML，将其变成Document对象。调用该对象的方法就能操纵并提取数据。

在上面的例子中，我们首先输出页面的标题。然后，我们获取所有带有标签“p”的元素。然后我们依次输出每个段落的文本。

运行这段代码，我们可以得到以下输出：

Website title

Sample paragraph number 1

Sample paragraph number 2

使用JSoup解析URL

解析URL的方法跟解析字符串有点不一样，但基本原理是相同的：

public class JSoupExample {

    public static void main(String[] args) throws IOException {

        Document doc = Jsoup.connect("https://www.wikipedia.org").get();

        Elements titles = doc.getElementsByClass("other-project");

            for (Element title : titles) {

                System.out.println(title.text());

        }

    }

}

要从URL抓取数据，需要调用connect()方法，提供URL作为参数。然后使用get()从连接中获取HTML。这个例子的输出为：

Commons Freely usable photos & more

Wikivoyage Free travel guide

Wiktionary Free dictionary

Wikibooks Free textbooks

Wikinews Free news source

Wikidata Free knowledge base

Wikiversity Free course materials

Wikiquote Free quote compendium

MediaWiki Free & open wiki application

Wikisource Free library

Wikispecies Free species directory

Meta-Wiki Community coordination & documentation

可以看到，这个程序抓取了所有class为other-project的元素。

640?wx_fmt=png

这种方法是最常用的，因此我们看一些通过URL进行抓取的其他例子。

抓取指定URL的所有链接

 public void allLinksInUrl() throws IOException {

        Document doc = Jsoup.connect("https://www.wikipedia.org").get();

        Elements links = doc.select("a[href]");

        for (Element link : links) {

            System.out.println("\nlink : " + link.attr("href"));

            System.out.println("text : " + link.text());

        }

    }

运行结果是一个很长的列表：

Link : //en.wikipedia.org/

Text : English 5 678 000+ articles

Link : //ja.wikipedia.org/

Text : 日本語 1 112 000+ 記事

Link : //es.wikipedia.org/

Text : Español 1 430 000+ artículos

Link : //de.wikipedia.org/

Text : Deutsch 2 197 000+ Artikel

Link : //ru.wikipedia.org/

Text : Русский 1 482 000+ статей

Link : //it.wikipedia.org/

Text : Italiano 1 447 000+ voci

Link : //fr.wikipedia.org/

Text : Français 2 000 000+ articles

Link : //zh.wikipedia.org/

Text : 中文 1 013 000+ 條目

<!--A bunch of other languages -->



Text : Wiktionary Free dictionary

Link : //www.wikibooks.org/

Text : Wikibooks Free textbooks

Link : //www.wikinews.org/

Text : Wikinews Free news source

Link : //www.wikidata.org/

Text : Wikidata Free knowledge base

Link : //www.wikiversity.org/

Text : Wikiversity Free course materials

Link : //www.wikiquote.org/

Text : Wikiquote Free quote compendium

Link : //www.mediawiki.org/

Text : MediaWiki Free & open wiki application

Link : //www.wikisource.org/

Text : Wikisource Free library

Link : //species.wikimedia.org/

Text : Wikispecies Free species directory

Link : //meta.wikimedia.org/

Text : Meta-Wiki Community coordination & documentation

Link : https://creativecommons.org/licenses/by-sa/3.0/

Text : Creative Commons Attribution-ShareAlike License

Link : //meta.wikimedia.org/wiki/Terms_of_Use

Text : Terms of Use

Link : //meta.wikimedia.org/wiki/Privacy_policy

Text : Privacy Policy

与此相似，你还可以得到图像的数量、元信息、表单参数等一切你能想到的东西，因此经常被用于获取统计数据。

使用JSoup解析文件

public void parseFile() throws URISyntaxException, IOException {

        URL path = ClassLoader.getSystemResource("page.html");

        File inputFile = new File(path.toURI());

        Document document = Jsoup.parse(inputFile, "UTF-8");

        System.out.println(document.title());

        //parse document in any way

    }

如果要解析文件，就不需要给网站发送请求，因此不用担心运行程序会给服务器增添太多负担。尽管这种方法有许多限制，并且数据是静态的，因而不适合许多任务，但它提供了分析数据的更合法、更无害的方式。

得到的文档可以用前面说过的任何方式解析。

设置属性值

除了读取字符串、URL和文件并获取数据之外，我们还能修改数据和输入表单。

例如，在访问亚马逊时，点击左上角的网站标志，能返回到网站的首页。

如果想改变这个行为，可以这样做：

 public void setAttributes() throws IOException {

        Document doc = Jsoup.connect("https://www.amazon.com").get();



        Element element = doc.getElementById("nav-logo");

        System.out.println("Element: " + element.outerHtml());

        element.children().attr("href", "notamazon.org");

        System.out.println("Element with set attribute: " + element.outerHtml());

    }

获取网站标志的id后，我们可以查看其HTML。还可以访问它的子元素，并改变其属性。

Element: <div id="nav-logo"> 

 <a href="/ref=nav_logo/135-9898877-2038645" class="nav-logo-link" tabindex="6"> <span class="nav-logo-base nav-sprite">Amazon</span> <span class="nav-logo-ext nav-sprite"></span> <span class="nav-logo-locale nav-sprite"></span> </a> 

 <a href="/gp/prime/ref=nav_logo_prime_join/135-9898877-2038645" aria-label="" tabindex="7" class="nav-logo-tagline nav-sprite nav-prime-try"> Try Prime </a> 

</div>



Element with set attribute: <div id="nav-logo"> 

 <a href="notamazon.org" class="nav-logo-link" tabindex="6"> <span class="nav-logo-base nav-sprite">Amazon</span> <span class="nav-logo-ext nav-sprite"></span> <span class="nav-logo-locale nav-sprite"></span> </a> 

 <a href="notamazon.org" aria-label="" tabindex="7" class="nav-logo-tagline nav-sprite nav-prime-try"> Try Prime </a> 

</div>

默认情况下，两个<a>子元素都指向了各自的链接。将属性改变为别的值之后，可以看到子元素的href属性被更新了。

添加或删除类

除了设置属性值之外，我们还可以修改前面的例子，给元素添加或删除类：

public void changePage() throws IOException {

        Document doc = Jsoup.connect("https://www.amazon.com").get();

        Element element = doc.getElementById("nav-logo");

        System.out.println("Original Element: " + element.outerHtml());

        <!--Setting attributes -->

        element.children().attr("href", "notamazon.org");

        System.out.println("Element with set attribute: " + element.outerHtml());

        <!--Adding classes -->

        element.addClass("someClass");

        System.out.println("Element with added class: " + element.outerHtml());

        <!--Removing classes -->

        element.removeClass("someClass");

        System.out.println("Element with removed class: " + element.outerHtml());

    }

运行代码会给我们以下信息：

Original Element: <div id="nav-logo"> 

 <a href="/ref=nav_logo/135-1285661-0204513" class="nav-logo-link" tabindex="6"> <span class="nav-logo-base nav-sprite">Amazon</span> <span class="nav-logo-ext nav-sprite"></span> <span class="nav-logo-locale nav-sprite"></span> </a> 

 <a href="/gp/prime/ref=nav_logo_prime_join/135-1285661-0204513" aria-label="" tabindex="7" class="nav-logo-tagline nav-sprite nav-prime-try"> Try Prime </a> 

</div>



Element with set attribute: <div id="nav-logo"> 

 <a href="notamazon.org" class="nav-logo-link" tabindex="6"> <span class="nav-logo-base nav-sprite">Amazon</span> <span class="nav-logo-ext nav-sprite"></span> <span class="nav-logo-locale nav-sprite"></span> </a> 

 <a href="notamazon.org" aria-label="" tabindex="7" class="nav-logo-tagline nav-sprite nav-prime-try"> Try Prime </a> 

</div>



Element with added class: <div id="nav-logo" class="someClass"> 

 <a href="notamazon.org" class="nav-logo-link" tabindex="6"> <span class="nav-logo-base nav-sprite">Amazon</span> <span class="nav-logo-ext nav-sprite"></span> <span class="nav-logo-locale nav-sprite"></span> </a> 

 <a href="notamazon.org" aria-label="" tabindex="7" class="nav-logo-tagline nav-sprite nav-prime-try"> Try Prime </a> 

</div>



Element with removed class: <div id="nav-logo"> 

 <a href="notamazon.org" class="nav-logo-link" tabindex="6"> <span class="nav-logo-base nav-sprite">Amazon</span> <span class="nav-logo-ext nav-sprite"></span> <span class="nav-logo-locale nav-sprite"></span> </a> 

 <a href="notamazon.org" aria-label="" tabindex="7" class="nav-logo-tagline nav-sprite nav-prime-try"> Try Prime </a> 

</div>