别人家的程序员是如何使用 Java 进行 Web 抓取的？
Web抓取非常有用，它可以收集信息供多種用途使用，如數(shù)據(jù)分析、統(tǒng)計、提供第三方信息，還可以給深神經(jīng)網(wǎng)絡和深度學習提供數(shù)據(jù)。
Web抓取是什么？
有一種非常廣泛的誤解，人們似乎把Web抓取和Web爬蟲當成了同一種東西。所以我們先明確這一點。
兩者有個非常顯著的區(qū)別：
Web爬蟲，指搜索或“爬”網(wǎng)頁以獲得任意信息的過程。通常是搜索引擎如Google、Yahoo或Bing的功能，以便給我們顯示搜索結(jié)果。
Web抓取，指從特定的網(wǎng)站上利用特別定制的自動化軟件手機信息的過程。
創(chuàng)一個小群，供大家學習交流聊天
如果有對學JAVA方面有什么疑惑問題的，或者有什么想說的想聊的大家可以一起交流學習一起進步呀。
也希望大家對學JAVA能夠持之以恒
JAVA愛好群，
如果你想要學好JAVA最好加入一個組織，這樣大家學習的話就比較方便，還能夠共同交流和分享資料，給你推薦一個學習的組織：快樂學習JAVA組織 可以點擊組織二字，可以直達
注意！
盡管Web抓取本身是從網(wǎng)站獲取信息的合法方式，但如果使用不當，可能會變成非法。
有幾種情況需要特別注意：
Web抓取可以被認為是拒絕服務攻擊：發(fā)送太多請求來獲取數(shù)據(jù)會給服務器帶來太多壓力，從而限制了正常用戶訪問網(wǎng)站的能力。
無視版權法和服務條款：因為許多人、許多組織和公司都開發(fā)Web抓取軟件來收集信息，給許多網(wǎng)站如Amazon、eBay、LinkedIn、Instagram、Facebook等帶來了不小的麻煩。因此，絕大多數(shù)網(wǎng)站都禁止使用抓取軟件獲取他們的數(shù)據(jù)，你必須獲得書面許可才能收集數(shù)據(jù)。
Web抓取可被惡意使用：抓取軟件的行為很像機器人，一些框架甚至提供能夠自動填寫并提交表單的工具。因此可以被用作自動垃圾發(fā)送工具，甚至能攻擊網(wǎng)站。這也是CAPTCHA存在的原因之一。
如果你想開發(fā)一個強大的抓取軟件，請務必考慮以上幾點，遵守法律和法規(guī)。
Web抓取框架
就像許多現(xiàn)代科技一樣，從網(wǎng)站提取信息這一功能也有多個框架可以選擇。最流行的有JSoup、HTMLUnit和Selenium WebDriver。我們這篇文章討論JSoup。
JSoup
JSoup是個開源項目，提供強大的數(shù)據(jù)提取API。可以用它來解析給定URL、文件或字符串中的HTML。它還能操縱HTML元素和屬性。
使用JSoup解析字符串
解析字符串是JSoup的最簡單的使用方式。
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());}}這段代碼非常直觀。調(diào)用parse()方法可以解析輸入的HTML，將其變成Document對象。調(diào)用該對象的方法就能操縱并提取數(shù)據(jù)。
在上面的例子中，我們首先輸出頁面的標題。然后，我們獲取所有帶有標簽“p”的元素。然后我們依次輸出每個段落的文本。
運行這段代碼，我們可以得到以下輸出：
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點不一樣，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());}}}
要從URL抓取數(shù)據(jù)，需要調(diào)用connect()方法，提供URL作為參數(shù)。然后使用get()從連接中獲取HTML。這個例子的輸出為：
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，這個程序抓取了所有class為other-project的元素。
這種方法是最常用的，因此我們看一些通過URL進行抓取的其他例子。
抓取指定URL的所有鏈接
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());}}運行結(jié)果是一個很長的列表：
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 : Espa?ol 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 : Fran?ais 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/l...
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
與此相似，你還可以得到圖像的數(shù)量、元信息、表單參數(shù)等一切你能想到的東西，因此經(jīng)常被用于獲取統(tǒng)計數(shù)據(jù)。
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，就不需要給網(wǎng)站發(fā)送請求，因此不用擔心運行程序會給服務器增添太多負擔。盡管這種方法有許多限制，并且數(shù)據(jù)是靜態(tài)的，因而不適合許多任務，但它提供了分析數(shù)據(jù)的更合法、更無害的方式。
得到的文檔可以用前面說過的任何方式解析。
設置屬性值
除了讀取字符串、URL和文件并獲取數(shù)據(jù)之外，我們還能修改數(shù)據(jù)和輸入表單。
例如，在訪問亞馬遜時，點擊左上角的網(wǎng)站標志，能返回到網(wǎng)站的首頁。
如果想改變這個行為，可以這樣做：
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());}獲取網(wǎng)站標志的id后，我們可以查看其HTML。還可以訪問它的子元素，并改變其屬性。
Element: <div id="nav-logo">
<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>
Try Prime
</div>
Element with set attribute: <div id="nav-logo">
<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>
Try Prime
</div>
默認情況下，兩個子元素都指向了各自的鏈接。將屬性改變?yōu)閯e的值之后，可以看到子元素的href屬性被更新了。
添加或刪除類
除了設置屬性值之外，我們還可以修改前面的例子，給元素添加或刪除類：
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());}運行代碼會給我們以下信息：
Original Element: <div id="nav-logo">
<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>
Try Prime
</div>
Element with set attribute: <div id="nav-logo">
<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>
Try Prime
</div>
Element with added class: <div id="nav-logo" class="someClass">
<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>
Try Prime
</div>
Element with removed class: <div id="nav-logo">
<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>
Try Prime
</div>
可以把新的代碼以.html形式保存到本機，或者通過HTTP請求發(fā)送大歐網(wǎng)站上，不過要注意后者可能是非法的。
結(jié)論
在許多情況下Web抓取都很有用，但使用時務必要遵守法律。本文介紹了流行的Web抓取框架JSoup，以及使用它解析信息的幾種方式。
總結(jié)
以上是生活随笔為你收集整理的别人家的程序员是如何使用 Java 进行 Web 抓取的？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Eclipse基金会发布MicroPro
- 下一篇： 我们常常意识不到问题的存在，直到有人解决