Jsoup 实现爬虫无法获取结点中的标签文本,求解 - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
tiRolin
V2EX    Java

Jsoup 实现爬虫无法获取结点中的标签文本,求解

  •  
  •   tiRolin 2023 年 3 月 19 日 1603 次点击
    这是一个创建于 1033 天前的主题,其中的信息可能已经有所发展或是发生改变。

    一个项目里需要实现 java 爬虫,爬取这个网站中的图片和标题

    通过 Xpath 语句 //div[contains(@class,"article-img")]很快就获取到了所需要的 Elements 对象,但奇怪的是 Elments 对象中有所需要的内容,打印也能正常展示,但是一旦遍历 Elements 尝试去获取标签属性就打印不出任何结果,调用获取所有属性方法并打印就只能打印出后两个我不需要的属性,但是前面打印的时候我需要的属性又还在

    代码如下

     @Override public R crawler() { try(WebClient webClient = WebClientUtils.getWebClient()){ System.out.println("开始爬取....."); // WebRequest webRequest = new WebRequest(new URL("https://www.cnhnb.com/xt/search/?%E6%9F%91%E6%A9%98%E5%87%A4%E8%9D%B6"), HttpMethod.GET); // HtmlPage page = webClient.getPage(webRequest); // Document document = Jsoup.parse(page.asXml()); String url = "https://www.cnhnb.com/xt/search/?%E6%9F%91%E6%A9%98%E5%87%A4%E8%9D%B6"; Document document = Jsoup.connect(url).get(); Elements elements = document.selectXpath("//div[contains(@class,\"article-img\")]"); System.out.println(elements.size()); //大小显示为 10 System.out.println(elements.html()); //elements 有结果,能正确打印出内容 for (Element element : elements) { System.out.println(element.html());//能正确打印出内容,注释为打印结构 /* <img alt="花椒凤蝶怎么防治?" src="http://www.v2ex.com//files.cnhnb.com/master-ssr/hammer/img/2a7149c.jpg" class="s-img-default" data-v-36fd24c6 data-v-1dc19fe0> */ System.out.println(element.attr("alt")); //无内容 System.out.println(element.attr("src")); //无内容 Attributes attributes = element.attributes(); for (Attribute attribute : attributes) { System.out.println(attribute.html()); //打印出后两个属性,注释为打印结果 /* class="article-img" data-v-1dc19fe0 */ } } }catch (Exception e){ e.printStackTrace(); } return null; } 

    我测试爬虫功能的方式开启项目之后打开本地 Swagger 并调用方法 这个问题我搞了两天都没有解决,去网上查也没看到谁有类似问题,和学长交流两三天了我啥方法都试过了也不行,实在没办法了我才来求教各位,来个大佬救救

    4 条回复    2023-03-22 23:56:20 +08:00
    seanzxx
        1
    seanzxx  
       2023 年 3 月 19 日
    System.out.println(element.attr("alt")); //无内容
    System.out.println(element.attr("src")); //无内容

    你要明白现在的 Element 是什么内容?根据你的 xpath ,Element 其实是 div ,根本没有 alt 和 src 两个属性。
    你可以用 firstElementChild 定位到 img
    System.out.println(element.firstElementChild().attr("alt"));
    System.out.println(element.firstElementChild().attr("src"));

    本地测了一下,就可以打印出内容了
    tiRolin
        2
    tiRolin  
    OP
       2023 年 3 月 19 日 via Android
    @seanzxx 谢谢你大佬,你的回复完美解决了我的问题,不过我还有一个问题想请教一下你,就是目前我获取到的图片属性总是这样的 //files.cnhnb.com/master-ssr/hammer/img/2a7149c.jpg ,这种无法正确加载图片,跟网页里看到的 URL 地址不一样,就我再来问你一下
    ALLROBOT
        3
    ALLROBOT  
       2023 年 3 月 20 日
    可能是 js 动态加载?
    seanzxx
        4
    seanzxx  
       2023 年 3 月 22 日
    @tiRolin 那个文件只是个占位符,真正的图片是由 js 加载的,你可以看页面里面的 js
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     4129 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 22ms UTC 05:22 PVG 13:22 LAX 21:22 JFK 00:22
    Do have faith in what you're doing.
    ubao msn snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86