在以往用java来处理解析html文档或者片段时，我们通常会采用htmlparser（http://htmlparser.sourceforge.net/）这个开源类库。现在我们有了jsoup，以后的处理html的内容只需要使用jsoup就已经足够了，jsoup有更快的更新，更方便的api等。
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，可以看作是java版的jquery。
jsoup的主要功能如下：
- 从一个url，文件或字符串中解析html；
- 使用dom或css选择器来查找、取出数据；
- 可操作html元素、属性、文本；
jsoup是基于mit协议发布的，可放心使用于商业项目。官方网站：http://jsoup.org/
步骤大致可以分为三个模块：一是获取网页的资源，二是解析获取的资源，取出我们想要的图片url地址，三是通过java的io存储在本地文件中。
获取网页资源的核心模块就是通过jsoup去获取网页的内容，具体核心代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
private static list<jsoupimagevo> findimagenourl(string hotelid, string url, int timeout) {
list<jsoupimagevo> result = new arraylist<jsoupimagevo>();
document document = null;
try {
document = jsoup.connect(url).data("query", "java")//请求参数
.useragent("mozilla/4.0 (compatible; msie 9.0; windows nt 6.1; trident/5.0)")//设置urer-agent get();
.timeout(timeout)
.get();
string xmlsource = document.tostring();
result = dealresult(xmlsource, hotelid);
} catch (exception e) {
string defaulturl = "http://qnimg.zowoyoo.com/img/15463/1509533934407.jpg";
result = dealresult(defaulturl,hotelid);
}
return result;
}
|
其中url地址是百度图片搜索的地址，具体调用代码如下：
|
1
2
3
4
5
6
|
public static list<jsoupimagevo> findimage(string hotelname, string hotelid, int page) {
int number=5;
string url = "http://image.baidu.com/search/avatarjson?tn=resultjsonavatarnew&ie=utf-8&word=" + hotelname + "&cg=star&pn=" + page * 30 + "&rn="+number+"&itg=0&z=0&fr=&width=&height=&lm=-1&ic=0&s=0&st=-1&gsm=" + integer.tohexstring(page * 30);
int timeout = 5000;
return findimagenourl(hotelid, url, timeout);
}
|
这里需要注意的是：word是我们要搜索的关键字，pn是显示的页码，rn是一页显示多少个数据。
解析网页的资源，然后封装起来。核心代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
private static list<jsoupimagevo> dealresult(string xmlsource, string hotelid) {
list<jsoupimagevo> result = new arraylist<jsoupimagevo>();
xmlsource = stringescapeutils.unescapehtml3(xmlsource);
string reg = "objurl\":\"http://.+?\\.(gif|jpeg|png|jpg|bmp)";
pattern pattern = pattern.compile(reg);
matcher m = pattern.matcher(xmlsource);
while (m.find()) {
jsoupimagevo jsoupimagevo = new jsoupimagevo();
string imageurl = m.group().substring(9);
if(imageurl==null || "".equals(imageurl)){
string defaulturl = "http://qnimg.zowoyoo.com/img/15463/1509533934407.jpg";
jsoupimagevo.seturl(defaulturl);
}else{
jsoupimagevo.seturl(imageurl);
}
jsoupimagevo.setname(hotelid);
result.add(jsoupimagevo);
}
return result;
}
|
这里最主要的地方就是reg这个正则表达式，通过正则表达式，去网页中解析符合规定的图片url地址，然后封装在对象中。
最后一部分就是通过java的io流去图片地址获取图片，并保存在本地。核心代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
|
//根据图片网络地址下载图片
public static void download(string url,string name,string path){
file file= null;
file dirfile=null;
fileoutputstream fos=null;
httpurlconnection httpcon = null;
urlconnection con = null;
url urlobj=null;
inputstream in =null;
byte[] size = new byte[1024];
int num=0;
try {
dirfile = new file(path);
if(dirfile.exists()){
dirfile.delete();
}
dirfile.mkdir();
file = new file(path+"//"+name+".jpg");
fos = new fileoutputstream(file);
if(url.startswith("http")){
urlobj = new url(url);
con = urlobj.openconnection();
httpcon =(httpurlconnection) con;
in = httpcon.getinputstream();
while((num=in.read(size)) != -1){
for(int i=0;i<num;i++)
fos.write(size[i]);
}
}
}catch (filenotfoundexception notfounde) {
logutils.writelog("找不到该网络图片....");
}catch(nullpointerexception nullpointere){
logutils.writelog("找不到该网络图片....");
}catch(ioexception ioe){
logutils.writelog("产生io异常.....");
}catch (exception e) {
e.printstacktrace();
}finally{
try {
fos.close();
} catch (exception e) {
e.printstacktrace();
}
}
}
|
这里面的操作都是java中io篇一些基础的操作，有不懂的可以去看看java中io模块的内容。
因为我这边是maven项目，所以在开发前需要引入jsoup依赖才可以。
希望本文所述对大家java程序设计有所帮助。
原文链接：https://blog.csdn.net/hj7jay/article/details/84335161