Java爬虫之利用Jsoup自制简单的搜索引擎

  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。Jsoup的官方网址为： https://jsoup.org/， 其API使用手册网址为：https://jsoup.org/apidocs/overview-summary.html .
  本次分享将实现的功能为：利用Jsoup爬取某个搜索词语（暂仅限英文）的百度百科的介绍部分，具体的功能介绍可以参考博客：Python爬虫——自制简单的搜索引擎。在上篇爬虫中我们用Python进行爬取，这次，我们将用Java来做爬虫，你没看错，就是Java.
  在Eclipse中加入Jsoup包，下载网址为：https://jsoup.org/download .
  爬虫的具体代码如下：

package baiduScrape;

/* 
 * 本爬虫主要利用Java的Jsoup包进行网络爬取
 * 本爬虫的功能： 爬取百度百科的开头介绍部分
 * 使用方法： 输入关键字（目前只支持英文）即可
 */

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import java.net.*;
import java.io.*;
import java.util.Scanner;

public class BaiduScrape {

    public static void main(String[] args) {
        Scanner input = new Scanner(System.in);
        String baseUrl = "https://baike.baidu.com/item/";
        String url = "";

        // 如果输入文字不是"exit"，则爬取其百度百科的介绍部分，否则退出该程序
        while(true) {
            System.out.println("Enter the word(Enter 'exit' to exit):");
            url = input.nextLine();
            if(url.equals("exit")) {
                System.out.println("The program is over.");
                break;
            }
            String introduction = getContent(baseUrl+url);
            System.out.println(introduction+'\n');
        }
    }

    // getContent()函数主要实现爬取输入文字的百度百科的介绍部分
    public static String getContent(String url){
        // 利用URL解析网址
        URL urlObj = null;
        try{
            urlObj = new URL(url);

        }
        catch(MalformedURLException e){
            System.out.println("The url was malformed!");
            return "";
        }

        // URL连接
        URLConnection urlCon = null;
        try{
            urlCon = urlObj.openConnection(); // 打开URL连接
            // 将HTML内容解析成UTF-8格式
            Document doc = Jsoup.parse(urlCon.getInputStream(), "utf-8", url);
            // 刷选需要的网页内容
            String contentText = doc.select("div.lemma-summary").first().text();
            // 利用正则表达式去掉字符串中的"[数字]"
            contentText = contentText.replaceAll("\\[\\d+\\]", "");
            return contentText;
        }catch(IOException e){
            System.out.println("There was an error connecting to the URL");
            return "";
        }

    }
}

在上述代码中，url为输入词条（暂时仅限于英文），进入while循环可一直搜索，当输入为’exit’时退出。contentText为该词条的百度百科简介的网页形式，通过正则表达式将其中的文字提取出来。代码虽然简洁，但是功能还是蛮强大的，充分说明Java也是可以做爬虫的。
  接下来是愉快的测试时间：