本文目录一览：
- 1、java的Jsoup登录有验证码网页获取登录后的cookie
- 2、Jsoup或者HttpClient抓取web页面时，data，userAgent，cookie()，timeout()，post();为什么要设置这些？
- 3、jsoup教程
- 4、jsoup抓取dopostback的网页错误 是不是BODY出什么问题
- 5、Jsoup 请求链接含中文乱码
- 6、Jsoup 抓取网页，字符是乱码，怎么转换？跪求拜托了各位 谢谢
java的Jsoup登录有验证码网页获取登录后的cookie
首先是jar仓库：
dependency
groupIdorg.seleniumhq.selenium/groupId
artifactIdselenium-java/artifactId
version[3.0.1,)/version//获取最新的版本库
/dependency
dependency
groupIdorg.jsoup/groupId
artifactIdjsoup/artifactId
version1.8.2/version
typejar/type
/dependency
代码：
public static void getIndex2() {
//之前运行程序发现生成了N多个chrome driver进程，搞不懂为什么会有那么多进程产生，网上查了下，说起这个service有用，拿来试下，效果未知
ChromeDriverService service = new
ChromeDriverService.Builder().usingDriverExecutable(new
File("./driver/chromedriver.exe")).usingAnyFreePort().build();
try {
service.start();
} catch (IOException ex) {
Logger.getLogger(kechengbiaoIndex.class.getName()).log(Level.SEVERE, null, ex);
}
//end
//正式开始
//先定义浏览器驱动，我用chrome浏览器，网上下载一个chromedriver.exe，启动时需要加载
System.getProperties().setProperty("webdriver.chrome.driver", "./driver/chromedriver.exe");
Jsoup或者HttpClient抓取web页面时，data，userAgent，cookie()，timeout()，post();为什么要设置这些？
userAgent让服务器感觉访问者更像一个真实的浏览器在访问，cookie是看服务器需不需要,timeout还需要解释吗，你不设置有一个默认的超时时间
jsoup教程
jsoup是一款Java的HTML解析器，主要用来对HTML解析。 官网 中文文档
在爬虫的时候，当我们用HttpClient之类的框架，获取到网页源码之后，需要从网页源码中取出我们想要的内容，
就可以使用jsoup这类HTML解析器了。可以非常轻松的实现。
虽然jsoup也支持从某个地址直接去爬取网页源码，但是只支持HTTP，HTTPS协议，支持不够丰富。
所以，主要还是用来对HTML进行解析。
◆其中，要被解析的HTML可以是一个HTML的字符串，可以是一个URL，可以是一个文件。
org.jsoup.Jsoup把输入的HTML转换成一个org.jsoup.nodes.Document对象，然后从Document对象中取出想要的元素。
org.jsoup.nodes.Document继承了org.jsoup.nodes.Element，Element又继承了org.jsoup.nodes.Node类。里面提供了丰富的方法来获取HTML的元素。
◇从URL获取HTML来解析
其中Jsoup.connect("xxx")方法返回一个org.jsoup.Connection对象。
在Connection对象中，我们可以执行get或者post来执行请求。但是在执行请求之前，
我们可以使用Connection对象来设置一些请求信息。比如：头信息，cookie，请求等待时间，代理等等来模拟浏览器的行为。
◆获得Document对象后，接下来就是解析Document对象，并从中获取我们想要的元素了。
Document中提供了丰富的方法来获取指定元素。
◇使用DOM的方式来取得
getElementById(String id)：通过id来获取
getElementsByTag(String tagName)：通过标签名字来获取
getElementsByClass(String className)：通过类名来获取
getElementsByAttribute(String key)：通过属性名字来获取
getElementsByAttributeValue(String key, String value)：通过指定的属性名字，属性值来获取
getAllElements()：获取所有元素
◇通过类似于css或jQuery的选择器来查找元素
使用的是Element类的下记方法：
public Elements select(String cssQuery)
通过传入一个类似于CSS或jQuery的选择器字符串，来查找指定元素。
例子：
选择器的更多语法(可以在org.jsoup.select.Selector中查看到更多关于选择器的语法)：
tagname: 通过标签查找元素，比如：a
ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 fb:name 元素
#id: 通过ID查找元素，比如：#logo
.class: 通过class名称查找元素，比如：.masthead
[attribute]: 利用属性查找元素，比如：[href]
[^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素
[attr=value]: 利用属性值来查找元素，比如：[width=500]
[attr^=value], [attr$=value], [attr=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href=/path/]
[attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i).(png|jpe?g)]
*: 这个符号将匹配所有元素
Selector选择器组合使用
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]
任意组合，比如：a[href].highlight
ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素
parent child: 查找某个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标签下所有直接子元素
siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div
siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p
el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo
伪选择器selectors
:lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素
:gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素
:eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
:has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
:not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表
:contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)
:containsOwn(text): 查找直接包含给定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等
◆通过上面的选择器，我们可以取得一个Elements对象，它继承了ArrayList对象，里面放的全是Element对象。
接下来我们要做的就是从Element对象中，取出我们真正需要的内容。
通常有下面几种方法：
◇Element.text()
这个方法用来取得一个元素中的文本。
◇Element.html()或Node.outerHtml()
这个方法用来取得一个元素中的html内容
◇Node.attr(String key)
获得一个属性的值，例如取得超链接a href=""中href的值
json字符串-数组类型与JSONArray之间的转换
复杂json格式字符串与JSONObject之间的转换
jsoup抓取dopostback的网页错误 是不是BODY出什么问题
在Java 程序在解析HTML 文档时，大家应该晓得htmlparser 这个开源项目，我也是使用过，不过这个程序到了2006年就没有更新了。由于我的基础较差，对于扩展自定义的标签还是不太懂，还是有超时问题困扰，去在约上找个专家咨询了下，使用起来还是很容易上手的。下面写些使用心得：
jsoup is a Java library for working with real-world HTML. It provides a very convenient API for extracting and manipulating data, using the best of DOM, CSS, and jQuery-like methods.
jsuop是一款java的html解析器，提供一套非常省力的API，通过dom模型css和类似于jquery的方式来获取和操作数据。
功能：1.解析一个Html文档，2.解析一个body片段
Java代码
String html = "htmlheadtitleFirst parse/title/head"
+ "bodypParsed HTML into a doc./p/body/html";
Document doc = Jsoup.parse(html);//分析文档，使用doc.toString()可以转为文本
Element body=doc.body();//获取body片段，使用body.toString()可以转为文本
获取方式：1.从本地文件加载 2.根据url地址获取
Java代码
/**使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法
*其中baseUri参数用于解决文件中URLs是相对路径的问题。
*如果不需要可以传入一个空的字符串。
*/
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "");
Java代码
/**
*根据url直接获取内容，可以加入超时，get方法不行，就用post方法
*我在实际应用中，出现404,405,504等错误信息
*将get改为post就可以，或者反过来改
*如果等以后弄明白了，再来解释清楚
*/
Document doc1 = Jsoup.connect("").get();
String title = doc1.title(); //获取网页的标题
String content=doc1.toString();//将网页转为文本
Document doc2 = Jsoup.connect("")
.data("query", "Java")//请求参数
.userAgent("Mozilla")//设置urer-agent
.cookie("auth", "token")//设置cookie
.timeout(50000)//设置连接超时
.post();//或者改为get
经过我的测试使用，jsoup分析网页结构和内容的功能远远强大于HtmlParser,无论是获取整个页面的文本，还是分析特定内容的网页结构，都是十分的方便。
附上链接：jsoup官网： ，中文jsoup：
下面写些我的使用记录，希望大家如果能从我的方法中得到启发，鉴于本人从事开发工作不久，内容可能写的不是很好。
jsoup数据获取有两大方法：1.通过分析dom模型的网页标签和元素，2.select元素选择器，类似jquery方式（功能很强大，还支持正则表达式）。网页tag标签有body，div，table，tr，td，a，等等。元素的属性有，href，title，width，height，color等等，元素属性的值就是，例如：href=“”, 值就是 。width=“98%” 值就是98%
下面就以分析首页的每日资讯为例，抓取每日资讯的标题和url地址，详细写出分析步骤：
1.用chrome浏览器的元素审查，分析页面的结构，得到每日资讯是div class=main_left层里面
2.写程序分析，首先根据url获取div文本，再来根据文本对内容进行分析
Java代码
3. 根据整个每日资讯所在的div层，获取那段内容（精确获取）
Java代码
4.根据获取的目标层得到你所要的内容（title，url地址...等等）
Java代码
5.加入main方法里面执行测试
Java代码
6.附上结束语：jsoup功能很好很强大，附上的只是简单的使用方法，还有很多需要完善的内容，我其实使用也不到几天的时间。还有就是select功能还是很好用的，具体参考官方文档，写的非常的通俗易懂
感兴趣的也可以试试htmlcleaner+xpath的组合
/**
* @method 测试获取内容程序
*/
public static void main(String[] args) throws IOException {
/**
* 执行分析程序
*/
String url="";
String HtmlContent=getContentByJsoup(url);
String divContent=getDivContentByJsoup(HtmlContent);
getLinksByJsoup(divContent);
}
/**
* 使用jsoup分析divContent
* 1.获取链接 2.获取url地址（绝对路径）
*/
public static void getLinksByJsoup(String divContent){
String abs="";
Document doc=Jsoup.parse(divContent,abs);
Elements linkStrs=doc.getElementsByTag("li");
System.out.println("链接==="+linkStrs.size());
for(Element linkStr:linkStrs){
String url=linkStr.getElementsByTag("a").attr("abs:href");
String title=linkStr.getElementsByTag("a").text();
System.out.println("标题:"+title+" url:"+url);
}
}
/**
* 使用jsoup来对文档分析
* 获取目标内容所在的目标层
* 这个目标层可以是div，table，tr等等
*/
public static String getDivContentByJsoup(String content){
String divContent="";
Document doc=Jsoup.parse(content);
Elements divs=doc.getElementsByClass("main_left");
divContent=divs.toString();
//System.out.println("div==="+divContent);
return divContent;
}
/**
* 根据jsoup方法获取htmlContent
* 加入简单的时间记录
* @throws IOException
*/
public static String getContentByJsoup(String url){
String content="";
try {
System.out.println("time=====start");
Date startdate=new Date();
Document doc=Jsoup.connect(url)
.data("jquery", "java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(50000)
.get();
Date enddate=new Date();
Long time=enddate.getTime()-startdate.getTime();
System.out.println("使用Jsoup耗时=="+time);
System.out.println("time=====end");
content=doc.toString();//获取iteye网站的源码html内容
System.out.println(doc.title());//获取iteye网站的标题
} catch (IOException e) {
e.printStackTrace();
}
System.out.println(content);
return content;
}
Jsoup 请求链接含中文乱码
这不是乱码吧 这是经过urlencode过后的编码。你网上自己找个url编码 输个中文字符然后编码下。
Jsoup 抓取网页，字符是乱码，怎么转换？跪求拜托了各位 谢谢
1.从url加载一个页面：Document doc = Jsoup.connect(" " ).get();2.从url加载页面同时加载该页面上的链接页面：Document doc=Jsoup.connect(url).data("query", "Java")// 请求参数.userAgent("my jsoup")// 设置 User-Agent.cookie("auth", "token")// 设置 cookie.timeout(3000)// 设置连接超时时间.get();3.本地一个html文件：File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", " " ); 查看原帖
