使用java开源工具httpClient及jsoup抓取解析网页数据

使用java开源工具httpClient及jsoup抓取解析网页数据

今天做项目的时候遇到这样一个需求，需要在网页上展示今日黄历信息，数据格式如下

• 　　公历时间：2016年04月11日 星期一
• 　　农历时间：猴年三月初五
• 　　天干地支：丙申年 壬辰月 癸亥日
• 　　宜：求子 祈福 开光 祭祀 安床
• 　　忌：玉堂（黄道）危日，忌出行

　　主要包括公历/农历日期，以及忌宜信息的等。但是手里并没有现成的数据可供使用，怎么办呢？

革命前辈曾经说过，没有枪，没有炮，敌（wang）人(luo)给我们造！网络上有很多现成的在线

万年历应用可供使用，虽然没有现成接口，但是我们可以伸出手来，自己去拿。也就是所谓的数据

抓取。

　　这里介绍两个使用的工具，httpClient以及jsoup,简介如下：

 

　　HttpClient是Apache Jakarta Common下的子项目，用来提供高效的、最新的、功能丰富的支持HTTP协议的客户端编程工具包，并且它支持HTTP协议最新的版本和建议。HttpClient已经应用在很多的项目中，比如Apache Jakarta上很著名的另外两个开源项目Cactus和HTMLUnit都使用了HttpClient。

　　httpClient使用方法如下：

　　1. 创建HttpClient对象。

　　2. 创建请求方法的实例，并指定请求URL。

　　3. 调用HttpClient对象的execute(HttpUriRequest request)发送请求，该方法返回一个HttpResponse。

　　4. 调用HttpResponse相关方法获取相应内容。

　　5. 释放连接。

 

　　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。

 

　　需要更多信息可以参见官网

　　httpClient:http://hc.apache.org/httpcomponents-client-5.0.x/index.html

　　jsoup:http://jsoup.org/

　　

　　接下来我们直接上代码，这里我们抓取2345在线万年历的数据 http://tools.2345.com/rili.htm

　　首先我们定义一个实体类Almanac来存储黄历数据

　　Almanac.java

 1 package com.likx.picker.util.bean;  2   3 /**  4  * 万年历工具实体类  5  *   6  * @author 溯源blog  7  * 2016年4月11日  8  */  9 public class Almanac { 10     private String solar;        /* 阳历 e.g.2016年 4月11日 星期一 */ 11     private String lunar;        /* 阴历 e.g. 猴年 三月初五*/ 12     private String chineseAra;    /* 天干地支纪年法 e.g.丙申年 壬辰月 癸亥日*/ 13     private String should;        /* 宜e.g. 求子 祈福 开光 祭祀 安床*/ 14     private String avoid;        /* 忌 e.g. 玉堂（黄道）危日，忌出行*/ 15  16     public String getSolar() { 17         return solar; 18     } 19  20     public void setSolar(String date) { 21         this.solar = date; 22     } 23  24     public String getLunar() { 25         return lunar; 26     } 27  28     public void setLunar(String lunar) { 29         this.lunar = lunar; 30     } 31  32     public String getChineseAra() { 33         return chineseAra; 34     } 35  36     public void setChineseAra(String chineseAra) { 37         this.chineseAra = chineseAra; 38     } 39  40     public String getAvoid() { 41         return avoid; 42     } 43  44     public void setAvoid(String avoid) { 45         this.avoid = avoid; 46     } 47  48     public String getShould() { 49         return should; 50     } 51  52     public void setShould(String should) { 53         this.should = should; 54     } 55  56     public Almanac(String solar, String lunar, String chineseAra, String should, 57             String avoid) { 58         this.solar = solar; 59         this.lunar = lunar; 60         this.chineseAra = chineseAra; 61         this.should = should; 62         this.avoid = avoid; 63     } 64 }

 

　　然后是抓取解析的主程序，写程序之前需要在官网下载需要的jar包

　　AlmanacUtil.java

package com.likx.picker.util; import java.io.IOException; import java.text.SimpleDateFormat; import java.util.Calendar; import java.util.Date;  import org.apache.http.HttpEntity; import org.apache.http.ParseException; import org.apache.http.client.ClientProtocolException; import org.apache.http.client.methods.CloseableHttpResponse; import org.apache.http.client.methods.HttpGet; import org.apache.http.impl.client.CloseableHttpClient; import org.apache.http.impl.client.HttpClients; import org.apache.http.util.EntityUtils; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; /**  *<STRONG>类描述</STRONG> :  2345万年历信息爬取工具<p>  *     * @version 1.0 <p>  * @author 溯源blog  *   * <STRONG>创建时间</STRONG> : 2016年4月11日 下午14:15:44<p>  * <STRONG>修改历史</STRONG> :<p>  *<pre>  * 修改人                   修改时间                     修改内容  * ---------------         -------------------         -----------------------------------  *</pre>  */ public class AlmanacUtil {          /**      * 单例工具类      */     private AlmanacUtil() {     }     /**      * 获取万年历信息      * @return      */     public static Almanac getAlmanac(){         String url="http://tools.2345.com/rili.htm";         String html=pickData(url);         Almanac almanac=analyzeHTMLByString(html);         return almanac;     }          /*      * 爬取网页信息      */     private static String pickData(String url) {         CloseableHttpClient httpclient = HttpClients.createDefault();         try {             HttpGet httpget = new HttpGet(url);             CloseableHttpResponse response = httpclient.execute(httpget);             try {                 // 获取响应实体                 HttpEntity entity = response.getEntity();                 // 打印响应状态                 if (entity != null) {                     return EntityUtils.toString(entity);                 }             } finally {                 response.close();             }         } catch (ClientProtocolException e) {             e.printStackTrace();         } catch (ParseException e) {             e.printStackTrace();         } catch (IOException e) {             e.printStackTrace();         } finally {             // 关闭连接,释放资源             try {                 httpclient.close();             } catch (IOException e) {                 e.printStackTrace();             }         }         return null;     }          /*      * 使用jsoup解析网页信息      */     private static Almanac analyzeHTMLByString(String html){         String solarDate,lunarDate,chineseAra,should,avoid=" ";         Document document = Jsoup.parse(html);         //公历时间         solarDate=getSolarDate();         //农历时间         Element eLunarDate=document.getElementById("info_nong");         lunarDate=eLunarDate.child(0).html().substring(1,3)+eLunarDate.html().substring(11);         //天干地支纪年法         Element eChineseAra=document.getElementById("info_chang");         chineseAra=eChineseAra.text().toString();             //宜         should=getSuggestion(document,"yi");         //忌         avoid=getSuggestion(document,"ji");         Almanac almanac=new Almanac(solarDate,lunarDate,chineseAra,should,avoid);         return almanac;     }     /*      * 获取忌/宜      */     private static String getSuggestion(Document doc,String id){         Element element=doc.getElementById(id);         Elements elements=element.getElementsByTag("a");         StringBuffer sb=new StringBuffer();         for (Element e : elements) {             sb.append(e.text()+" ");         }         return sb.toString();     }      /*      * 获取公历时间,用yyyy年MM月dd日 EEEE格式表示。      * @return yyyy年MM月dd日 EEEE      */     private static String getSolarDate() {         Calendar calendar = Calendar.getInstance();         Date solarDate = calendar.getTime();         SimpleDateFormat formatter = new SimpleDateFormat("yyyy年MM月dd日 EEEE");         return formatter.format(solarDate);     }  }

 

　　为了简单明了我把抓取解析抽象成了几个独立的方法，

　　其中pickData()方法使用httpClient来抓取数据到一个字符串中（就是在网页上点击查看源代码看到的HTML源码），

analyzeHTMLByString()方法来解析抓取到的字符串，getSuggestion方法把抓取方法类似的宜忌数据抽象到了

一起，另外因为公历时间可以很容易的自己生成就没有在网页上爬取。

 

　　然后下面是一个测试类简单测试下效果：

 AlmanacUtilTest.java

package com.likx.picker.util.test;  public class AlmanacUtilTest {          public static void main(String args[]){         Almanac almanac=AlmanacUtil.getAlmanac();         System.out.println("公历时间："+almanac.getSolar());         System.out.println("农历时间："+almanac.getLunar());         System.out.println("天干地支："+almanac.getChineseAra());         System.out.println("宜："+almanac.getShould());         System.out.println("忌："+almanac.getAvoid());     } }

 

　　运行结果如下：

 

　　集成到实际项目中效果是这样的：

 

　　

 

　　另外最近博客一直没怎么更新，因为最近考虑到技术氛围的原因，离开了对日外包行业，前往

一家互联网公司就职。说一下最近的感受，那就是一个程序员最核心的竞争力不是学会了多少框架，

掌握多少种工具（当然这些对于程序员也不可或缺），而是扎实的基础以及快速学习的能力，比如今天

这个项目，从对httpClient，jsoup工具一无所知到编写出Demo代码总计大概1个多小时，在之前对于

我来说是不可想象的，在技术氛围浓厚的地方快速get技能的感觉，非常好。

　　当然本例只是一个非常浅显的小例子，网页上内容也很容易抓取，httpClient及jsoup工具更多强大

的地方没有体现到，比如httpClient不仅可以发送get请求，而且可以发送post请求，提交表单，传送

文件，还比如jsoup最强大的地方在于它支持仿jquery的选择器。本例仅仅使用了最简单的document.getElementById()

匹配元素，实际上jsoup的选择器异常强大，可以说它就是java版的jquery,比如这样：

 

Elements links = doc.select("a[href]"); // a with href Elements pngs = doc.select("img[src$=.png]");   // img with src ending .png Element masthead = doc.select("div.masthead").first();   // div with class=masthead Elements resultLinks = doc.select("h3.r > a"); // direct a after h3