Java网络爬虫——jsoup快速上手，爬取京东数据。同时解决‘京东安全’防爬问题

文章目录

• • 介绍
  • jsoup使用
  • • 1.解析url，获取前端代码
    • 2.解决京东安全界面跳转
    • 3.获取每一组的数据
    • 4.获取商品数据的具体信息
    • 4.最终代码

      介绍

      网络爬虫，就是在浏览器上，代替人类爬取数据，Java网络爬虫就是通过Java编写爬虫代码，代替人类从网络上爬取信息数据。程序员通过设定既定的规则，让程序代替我们从网络上获取海量我们需要的数据，比如图片，企业信息等。爬虫的关键是对于网页信息的解析。

      什么是jsoup：

      jsoup是一个用于处理现实世界HTML的Java库。它提供了一个非常方便的API，用于获取URL以及提取和操作数据，使用最好的HTML5 DOM方法和CSS选择器

      jsoup使用

      • 连接url，爬取网页代码（html代码）
      • 解析网页代码，获取需要部分的数据

        我们以解析京东网页，红框数据为例

        

        1.解析url，获取前端代码

        package com.xhf;
        import org.jsoup.Jsoup;
        import org.jsoup.nodes.Document;
        import java.io.IOException;
        import java.net.URL;
        public class JsoupTest {
            static String url = "https://search.jd.com/Search?keyword=%E9%A4%90%E5%B7%BE%E7%BA%B8";
            public static void main(String[] args) throws IOException {
                // 解析网页, document就代表网页界面
                Document document = Jsoup.parse(new URL(url), 5000);
                // 打印获取前端代码
                System.out.println(document);
            }
        }
        

        2.解决京东安全界面跳转

        直接通过url访问，经常遇到弹出京东安全的界面

        这算是对于爬取数据的一种反制措施。直接通过url请求，服务器会认为客户端没有登录，因此会跳出京东安全的登陆界面，让他们登录。以前可以通过添加header解决，现在得添加cookie了。获取cookie的方式如下

        

        

        1. 空白处右击鼠标
        2. 选择检查
        3. 右边栏中选择网络。如果没有，点击加号（更多工具），选择网络
        4. 找到Search大头的请求，如果没有，刷新重发请求
        5. 选中请求，查看标头
        6. 选择cookies，找到以thor为key的cookie

        以下，就是修正后的代码

        package com.xhf;
        import org.jsoup.Jsoup;
        import org.jsoup.nodes.Document;
        import org.jsoup.nodes.Element;
        import org.jsoup.select.Elements;
        import java.io.IOException;
        import java.net.URL;
        import java.util.HashMap;
        import java.util.Map;
        public class JsoupTest {
            static String url = "https://search.jd.com/Search?keyword=%E9%A4%90%E5%B7%BE%E7%BA%B8";
            
            public static void main(String[] args) throws IOException {
                // 设置cookie
                Map cookies = new HashMap();
                cookies.put("thor", "03F9B0325C5DCD2FCCDB435C227FD474D0B53C9143EB5DDA60599BDB9AE7A415B7CFEB4418F01DDEB8B8B9DD502D366A4E0BA2D84A0FE6CB6658061484CA95D230C7B76A36E31F4B329D2EFAC7DCD1E526F3C416CC50617276FED57FAF618892895784CB6446F6B8468A807290C12C3BA1C99DD0C0939C48C4E69681CA900EA9");
                // 解析网页, document就代表网页界面
                Document document = Jsoup.connect(url).cookies(cookies).get();
                System.out.println(document);
            }
        }