Android网络爬虫程序（基于Jsoup）

摘要：基于 Jsoup 实现一个 Android 的网络爬虫程序，抓取网页的内容并显示出来。写这个程序的主要目的是抓取海投网的宣讲会信息（公司、时间、地点）并在移动端显示，这样就可以随时随地的浏览在学校举办的宣讲会信息了。

一、Jsoup简介

Jsoup 是一个 Java 的开源HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常方便的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。

Jsoup主要有以下功能：

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；
对HTML元素、属性、文本进行操作；
清除不受信任的HTML (来防止XSS攻击)

好了，下面写几段代码来说明 Jsoup 是如何优雅的进行 HTML 文档处理的。首先，我们需要去Jsoup官网下载Jsoup的jar包，然后加入项目的依赖库中。

1） HTML解析

Jsoup 可以从一个字符串、文件或者一个 URL 中解析HTML，解析的目的主要是为了得到一个干净完整的解析结果，并生成 Document 对象实例。

// Parse a document from a String

String html = "<html><head><title>神奕的博客</title></head>"

        +"<body><p>搭个博客写学习笔记！！</p></body></html>";

Document doc = Jsoup.parse(html);

// Load a Document from a File

File input = new File("D://a.html");

Document doc = Jsoup.parse(input, "UTF-8");

// Load a Document from a URL

Document doc = Jsoup.connect("http://example.com/").get();

当加载和解析一个本地的HTML文件时，如果在加载文件的时候发生错误，将抛出 IOException，应作适当处理。

2）数据提取

将HTML解析成一个Document之后，就可以使用传统的 DOM 方法进行数据抽取。例如：

// 海投网

String url = "http://xjh.haitou.cc/wh/uni-1/after/hold/page-1/";

Document doc = Jsoup.connect(url).get();

Elements elements = doc.getElementsByTag("company");

for(Element e : elements) {

    System.out.println(e.text());

}

Document 对象和 Elements 对象提供了一系列类似于DOM的方法来查找元素，比如 getElementById(String id)、getElementsByTag(String tag) 等等。更多方法请看《Jsoup
Cookbook》。

另外，还可以使用 Selector 选择器（类似于CSS或jQuery语法）来查找元素。如下：

// 海投网

String url = "http://xjh.haitou.cc/wh/uni-1/after/hold/page-1/";

Document doc = Jsoup.connect(url).get();

// 通过标签company查找元素

Elements company = doc.select("company");

// 带有href属性的a元素

Elements links = doc.select("a[href]");

// 扩展名为.png的图片

Elements pngs = doc.select("img[src$=.png]");

// class等于content的div标签

Element content = doc.select("div.content").first();

选择器实现了非常强大和灵活的查找功能。select方法在Document、Element 或 Elements 对象中都可以使用，且是上下文相关的，因此可实现指定元素的过滤或者链式选择访问。select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。

通过 DOM 方法或者 Selector 方法查找到一些 Elements 元素之后，我们需要从这些元素中取得数据，下面是几个常用的方法：

取得一个属性的值，可以使用Node.attr(String key)方法；
取得一个元素中的文本，可以使用Element.text()方法；
取得元素或属性中的HTML内容，可用Element.html()或Node.outerHtml()方法
取得一个元素的 id ：Element.id()
取得一个元素的标签名：Element.tagName()
取得一个元素的类名：Element.className()

3）数据修改

在解析一个 Document 之后可能想修改其中的某些属性值、HTML或文本内容，然后再保存到磁盘或都输出到前台页面。例如：我们可以为文档中的所有图片增加可点击链接、修改链接地址或者是修改文本等。Jsoup 提供了很多方法用来进行修改，这里就不列举了，请移步 Jsoup
Cookbook。

二、海投网的页面抓取

海投网是一个为高校毕业生服务的招聘信息网，创始人是华中科技大学的毕业生。现在我要抓取在华中科技大学举办的宣讲会的信息，网页如下图：

查看网页源代码，如下图：

可以看出，公司名是在一个 company 标签内，宣讲会时间是在一个类名为 text-center 的 td 标签内，学校的具体地点则是在一个类名为 preach-tbody-addre 的 td 标签内。这么一分析，要提取华中科技大学的宣讲会信息就变得挺简单了。

Java代码如下：

import org.jsoup.Connection;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.nodes.Element;

import org.jsoup.select.Elements;

import java.io.IOException;

public class Main {

    public static void main(String[] args) throws IOException {

        String url = "http://xjh.haitou.cc/wh/uni-1/after/hold/page-1/";

        Connection conn = Jsoup.connect(url);

        // 修改http包中的header,伪装成浏览器进行抓取

        conn.header("User-Agent", "Mozilla/5.0 (X11; Linux x86_64; rv:32.0) Gecko/    20100101 Firefox/32.0");

        Document doc = conn.get();

        // 获取tbody元素下的所有tr元素

        Elements elements = doc.select("tbody tr");

        for(Element element : elements) {

        	String companyName = element.getElementsByTag("company").text();

        	String time = element.select("td.text-center").first().text();

        	String address = element.getElementsByClass("preach-tbody-addre").text();

        	System.out.println("公司："+companyName);

        	System.out.println("宣讲时间："+time);

        	System.out.println("宣讲学校：华中科技大学");

        	System.out.println("具体地点："+address);

        	System.out.println("---------------------------------");

        }

    }

}

某些网站禁止爬虫，不能抓取或者抓取一定数量后封IP。这时候我们需要伪装成浏览器进行抓取，这可以通过修改http包中的header来实现（设置User-Agent）。运行上面的程序得到输出结果：

公司：瑞声科技(常州)有限公司

宣讲时间：2015-03-07 19:00(周六)

宣讲学校：华中科技大学

具体地点：大学生活动中心305阶梯教室

---------------------------------

公司：普联技术有限公司

宣讲时间：2015-03-08 19:00(周日)

宣讲学校：华中科技大学

具体地点：大学生活动中心305阶梯教室

---------------------------------

公司：大联大投资控股股份有限公司

宣讲时间：2015-03-09 09:30(周一)

宣讲学校：华中科技大学

具体地点：大学生活动中心305阶梯教室

---------------------------------

......

三、应用到Android程序中

开发 Android 程序，你需要搭建开发环境，很简单：先安装Java的JDK（最好不低于1.6），然后去Android官网下载并安装 Android Studio 就行了。

在Android程序中使用 Jsoup 需要注意两点：

在AndroidManifest.xml文件中添加网络访问权限android.permission.INTERNET
Android在4.0之后，不允许在主线程里执行网络（http）请求，也就是说 Jsoup 的代码需要写在子线程里。

1）多线程

4.0 版本以后，如果你在主线程里尝试进行网络操作，会报android.os.NetworkOnMainThreadException 的异常。所以我们需要开辟子线程进行异步加载，用到Thread、Runnable、Handler这三个类：

public void onCreate(Bundle savedInstanceState) {

    super.onCreate(savedInstanceState);

    this.setContentView(R.layout.share_mblog_view);

    // 开辟一个线程

    new Thread(runnable).start();

}

Runnable runnable = new Runnable(){

    @Override

    public void run() {

    	/**

         * 要执行的操作

         */

    	// 执行完毕后给handler发送一个空消息

        handler.sendEmptyMessage(0);

    }

}

Handler handler = new Handler(){

    @Override

    public void handleMessage(Message msg) {

        super.handleMessage(msg);

        /**

         * 处理UI

         */

    	// 当收到消息时就会执行这个方法

    }

}

2）判断网络连接是否可用

如果在没有可用网络的情况下执行网络爬虫程序，App将会报错。所以在每次执行之前都应该先判断网络是否可用。大致步骤如下：

① 获取ConnectivityManager对象

Context context = activity.getApplicationContext();

// 获取手机所有连接管理对象（包括对wi-fi,net等连接的管理）

ConnectivityManager cm = (ConnectivityManager)context.getSystemService(Context.CONNECTIVITY_SERVICE);

② 获取NetworkInfo对象

NetworkInfo info = cm.getActiveNetworkInfo();

③ 判断网络类型，Android的网络分为两大类：WIFI
和手机网络

// WIFI 判定条件

info != null && info.getType() == ConnectivityManager.TYPE_WIFI

// 手机网络 判定条件

info !=null && info.getType() ==  ConnectivityManager.TYPE_MOBILE

而手机网络具体又分为很多类，比如移动3G、移动2G、联通2G等等。这里就不说了，自行Google。

④ 判断网络连接是否可用（包括所有网络类型）

public boolean isNetworkAvailable(Activity activity)

{

    Context context = activity.getApplicationContext();

    ConnectivityManager cm = (ConnectivityManager)

    		context.getSystemService(Context.CONNECTIVITY_SERVICE);

    if (cm == null)

        return false;

    else

    {   // 获取所有NetworkInfo对象

        NetworkInfo[] networkInfo = cm.getAllNetworkInfo();

        if (networkInfo != null && networkInfo.length > 0)

        {

            for (int i = 0; i < networkInfo.length; i++)

                if (networkInfo[i].getState() == NetworkInfo.State.CONNECTED)

                    return true;  // 存在可用的网络连接

        }

    }

    return false;

}

注意，上述操作需要在 AndroidManifest.xml
文件中添加访问网络状态的权限：

<uses-permission android:name="android.permission.ACCESS_NETWORK_STATE" />

另外，本程序在 UI 界面开发上涉及到 Android 中的 ListView（显示）、PopupWindow（菜单）、ProgressDialog（加载）、AlertDialog（提示）等控件的使用。因为本文并不是讨论 Android 控件的使用，在这里就不赘述了。

源码下载：https://github.com/SongLee24/android-crawler

个人站点：http://songlee24.github.com