Java利用JSoup工具包爬取网站数据

工欲善其事必先利其器，首先介绍一下这次我用到的工具：Jsoup。那么jsoup是何方神圣呢?下面是我在网上找到的对它的定义：

jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

有了它，我们就可以很轻松的获取某个web页面的DOM文档，并利用jsoup强大的html解析功能，获取dom文档里面包含的我们需要的信息；在这次代码编写中，我的项目架构是:SpringBoot 、Mybatis、Mysql、fastdfs、Jsoup；先来看看效果吧：
本地文件：

数据库结果：

爬取文件是的主要步骤：

打开目标网页

按F12查看我们需要的数据所在的容器Dom元素，找到该元素的关键属性，例如:id,唯一的class,唯一的属性等，总之是能在整个页面中唯一标识它的属性

编写代码，获取目标网页的DOM文档

使用JSoup解析Dom文档，取得数据元素

转存目标数据

下面是封装Jsoup的方法：

package com.mrajoe.webapp.cloudoauth.util;

import org.jsoup.Connection;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

import java.util.HashMap;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * @author : tianshaojiao
 * @version : 1.0
 * @apiNote :
 * @date : 2019/12/20
 * @copyright :
 */
public class JSoupUtils {
    /** 格式化字符串，使之能成为一个合法的文件夹或文件名称格式*/
    private static Pattern pattern = Pattern.compile("[\\s\\\\/:\\*\\?\\\"<>\\|]");
    /** 取得连接*/
    public static Connection getConnection(String url, Map<String,String> headers){
        Connection connection = null;
        int retryCount = Integer.parseInt("6");
        int currentRetryCount = 0;
        while (currentRetryCount < retryCount){
            try {
                connection = Jsoup.connect(url);
                break;
            } catch (Exception e) {
                currentRetryCount++;
            }
        }
        return connection;
    }
    /** 取得Html文档*/
    public static Document getDocument(Connection connection, Map<String,String> headers){
        Document document = null;
        if (null != connection){
            int retryCount = Integer.parseInt("6");
            int currentRetryCount = 0;
            while (currentRetryCount < retryCount){
                try {
                    document = connection.data(headers).get();
                    break;
                } catch (Exception e) {
                    currentRetryCount++;
                }
            }
        }
        return document;
    }
    /** 格式化字符串*/
    public static String getLegalFileName(String fileName){
        Matcher matcher = pattern.matcher(fileName);
        return matcher.replaceAll("");
    }
    /** 主方法*/
    public static void main(String[] args) {
        String targetUrl = "";
        Map<String,String> headers = new HashMap<>();
        Document doc = JSoupUtils.getDocument(JSoupUtils.getConnection(targetUrl, headers), headers);
    }
}

下面是将目标网站上的文件下载到本地，并上传到自己的文件服务器的关键代码

private synchronized String getAlbumRemoteBgUrl(String albumIn5kmmBgUrl,Map<String,String> headers,String token) throws Exception{
        log.info("开始将远程地址["+albumIn5kmmBgUrl+"]转存到mrajoe的服务器!");
        //取得文件下载请求头信息
        URL url = new URL(albumIn5kmmBgUrl);
        HttpURLConnection conn = (HttpURLConnection)url.openConnection();
        //设置超时间为3秒
        conn.setConnectTimeout(10*60*1000);
        //防止屏蔽程序抓取而返回403错误
        for(Map.Entry<String,String> entry:headers.entrySet()){
            conn.setRequestProperty(entry.getKey(), entry.getValue());
        }
        //得到输入流
        InputStream inputStream = conn.getInputStream();
        File tempDir = new File(fileDownloadTempPath);
        if (!tempDir.exists()){
            tempDir.mkdirs();
        }
        String fileSavePath = fileDownloadTempPath + File.separator
                + UniqueId.getUniqueId() + albumIn5kmmBgUrl.substring(albumIn5kmmBgUrl.lastIndexOf("."),albumIn5kmmBgUrl.length());
        File tempFile = new File(fileSavePath);
        FileOutputStream foos = new FileOutputStream(tempFile);
        int len = 0;
        while ((len = inputStream.read()) != -1){
            foos.write((byte)len);
        }
        foos.close();
        inputStream.close();
        log.info("文件["+albumIn5kmmBgUrl+"]下载完毕!!");
        //上传文件
        Map<String,String> mrajoeUploadHeaders = new HashMap<String,String >();
        mrajoeUploadHeaders.put("authToken",token);
        List<File> files = new ArrayList<File>();
        files.add(new File(fileSavePath));
        String fileUrl = "";
        try {
            String uploadResult = HttpClientUtils.uploadFile(imageUploadUrl,null,mrajoeUploadHeaders,files,null);
            JSONObject jsonUploadResult = JSONObject.parseObject(uploadResult);
            if ("200".equalsIgnoreCase(jsonUploadResult.getString("statusCode"))){
                fileUrl = jsonUploadResult.getString("fileUrl");
            } else {
                fileUrl = albumIn5kmmBgUrl;
            }
            log.info("mrajoe文件服务器：文件上传成功，地址："+fileUrl);
        } catch (Exception e) {
            log.info("上传文件到远程服务器异常",e);
        }
        return fileUrl;
    }

取得请求头信息的方法：

private Map<String,String> getHeaders(){
        Map<String,String> headers = new HashMap<String, String>();
        headers.put("Accept","text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3");
        headers.put("Accept-Encoding","gzip, deflate");
        headers.put("Accept-Language","en,zh-CN;q=0.9,zh;q=0.8");
        headers.put("Connection","keep-alive");
        headers.put("Cookie","UM_distinctid=16f1d597f8e182-072f0d2d77ec82-5373e62-144000-16f1d597f8f684; bdshare_firstime=1576745531077; Hm_lvt_bd6c96323a627eebbe50e420ba111ab1=1576748305,1576812191,1576812209,1577065725; CNZZDATA1256540375=1791569634-1576743066-https%253A%252F%252Fwww.baidu.com%252F%7C1577081490; Hm_lpvt_bd6c96323a627eebbe50e420ba111ab1=1577082143");
        headers.put("Host",观察目标网站获取);
        headers.put("Referer",观察目标网站获取);
        headers.put("Upgrade-Insecure-Requests","1");
        headers.put("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36");
        return headers;
    }