摘要：爬蟲工具的使用需要的包解決方案通過獲得對象，調(diào)用等方法獲得對象，調(diào)用等方法，獲得自己想要的內(nèi)容。也可以使用增強(qiáng)型循環(huán)將它遍歷。其中方法是獲得該元素的某某屬性值，比如標(biāo)簽的值。如果一次方法沒用選到具體的，可以多次使用該方法。

jsoup爬蟲工具的使用：

  *需要的jar包 --> Jsoup*

解決方案：
1.通過url 獲得doucment對象，
2.調(diào)用select()等方法獲得Elements對象，
3.調(diào)用.text()等方法，獲得自己想要的內(nèi)容。

以下是第一步的三種方法，其中第一種是jsoup的提供的方法，二三兩種是java自帶的方法，
只是在方法結(jié)尾處用到了jsoup的Jsoup.parse()方法將String類型的對象轉(zhuǎn)化為Document對象，方便二三步驟使用Jsoup的解析。
1.1

public Document getDoc (String url){
    try {
        Document  doc = Jsoup.connect(url)
                .header("Accept-Encoding", "gzip, deflate")  
                .userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0)Gecko/20100101 Firefox/23.0")  
                .maxBodySize(0)  
                .timeout(600000000)  
                .get();
        return doc;
    } catch (IOException e) {
        e.printStackTrace();
        return null;
    }
}

1.2

public Document getDoc(String  str) throws Exception    {
    URL url = new URL(str);
    HttpURLConnection conn = (HttpURLConnection)url.openConnection();
    conn.setRequestMethod("GET");
    conn.setConnectTimeout(5 * 1000);
    InputStream inStream =  conn.getInputStream();
    byte[] data = readInputStream(inStream);
    String htmlSource = new String(data);
    return Jsoup.parse(htmlSource);
}

1.3

 public Document getDoc(String url) throws Exception {
    String ret = "";
    WebClient webClient = new WebClient(BrowserVersion.CHROME);
    webClient.getOptions().setJavaScriptEnabled(true);
    webClient.getOptions().setCssEnabled(false);
    webClient.getOptions().setRedirectEnabled(true);
    webClient.getOptions().setThrowExceptionOnScriptError(false);
    webClient.setAjaxController(new NicelyResynchronizingAjaxController());
    webClient.getOptions().setTimeout(10000);
    WebRequest webRequest = new WebRequest(new URL(url));
    webRequest.setHttpMethod(HttpMethod.GET);
    HtmlPage page = webClient.getPage(webRequest);
    webClient.waitForBackgroundJavaScript(1000);
    ret = page.asXml();
    webClient.close();
    return Jsoup.parse(ret );
}   

2.看下面例子， 這個(gè)select 方法在Document, Element,或Elements對象中都可以使用。Select方法將返回一個(gè)Elements集合。

doc是我們通過第一步獲得的doucmen對象。select括號里面的意思是class為content-item和expert的a標(biāo)簽        元素。多個(gè)class記得要用逗號隔開。
其中的 “a” 可以是 “div”、“span”等標(biāo)簽名。
    Elements  contentEs = doc.select("a.content-item,expert");
    
因?yàn)楂@得的不是一個(gè)元素，所以使用get(index)方法，獲得對應(yīng)的元素，以0開始。
    Element  contentE = contentEs.get(0);

也可以使用增強(qiáng)型for循環(huán)將它遍歷。其中.attr()方法是獲得該元素的某某屬性值，比如a標(biāo)簽的href值。
    for(Element e : contentEs ){
            e.attr("href");
    }

如果一次select()方法沒用選到具體的，可以多次使用該方法。下面就調(diào)用了三次select()方法。
   Elements e = doc.select("div.menu-item,menu-skincare");
   Elements ee = e.select("div.column");
    for(int i=0 ; i
3.text()方法是將Element(s)對象轉(zhuǎn)化為String類型。
    String result  = eee.text();

以上只是我在爬某網(wǎng)站用到的，之前沒有接觸過jsoup，也是隨用隨學(xué)，除了這些在還有很多（來自jsoup中文幫助文檔） ：
Selector選擇器概述
?    tagname: 通過標(biāo)簽查找元素，比如：a
?    ns|tag: 通過標(biāo)簽在命名空間查找元素，比如：可以用 fb|name 語法來查找  元素
?    #id: 通過ID查找元素，比如：#logo
?    .class: 通過class名稱查找元素，比如：.masthead
?    [attribute]: 利用屬性查找元素，比如：[href]
?    [^attr]: 利用屬性名前綴來查找元素，比如：可以用[^data-] 來查找?guī)в蠬TML5 Dataset屬性的元素
?    [attr=value]: 利用屬性值來查找元素，比如：[width=500]
?    [attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結(jié)尾或包含屬性值來查找元素，比如：[href*=/path/]
?    [attr~=regex]: 利用屬性值匹配正則表達(dá)式來查找元素，比如： img[src~=(?i).(png|jpe?g)]
?    *: 這個(gè)符號將匹配所有元素

Selector選擇器組合使用
?    el#id: 元素+ID，比如： div#logo
?    el.class: 元素+class，比如： div.masthead
?    el[attr]: 元素+class，比如： a[href]
?    任意組合，比如：a[href].highlight
?    ancestor child: 查找某個(gè)元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素
?    parent > child: 查找某個(gè)父元素下的直接子元素，比如：可以用div.content > p 查找 p 元素，也可以用body > * 查找body標(biāo)簽下所有直接子元素
?    siblingA + siblingB: 查找在A元素之前第一個(gè)同級元素B，比如：div.head + div
?    siblingA ~ siblingX: 查找A元素之前的同級X元素，比如：h1 ~ p
?    el, el, el:多個(gè)選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo

偽選擇器selectors
?    :lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對于它的父節(jié)點(diǎn)）小于n，比如：td:lt(3) 表示小于三列的元素 
?    :gt(n):查找哪些元素的同級索引值大于n，比如： div p:gt(2)表示哪些div中有包含2個(gè)以上的p元素
?    :eq(n): 查找哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個(gè)input標(biāo)簽的Form元素
?    :has(seletor): 查找匹配選擇器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素 
?    :not(selector): 查找與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表 
?    :contains(text): 查找包含給定文本的元素，搜索不區(qū)分大不寫，比如： p:contains(jsoup)
?    :containsOwn(text): 查找直接包含給定文本的元素
?    :matches(regex): 查找哪些元素的文本匹配指定的正則表達(dá)式，比如：div:matches((?i)login)
?    :matchesOwn(regex): 查找自身包含文本匹配指定正則表達(dá)式的元素
?    注意：上述偽選擇器索引是從0開始的，也就是說第一個(gè)元素索引值為0，第二個(gè)元素index為1等