最近的工作需要從網上抓取些資訊，奈何不會python，暫時又沒時間去研究它，只好用java來搞了。事實證明，做爬蟲不一定要用python，java一樣能做到。jsoup是java的文件解析工具，很方便，很強大。它可以將html檔案、字串或URL轉化為Document物件，然後可以通過DOM、CSS和類似jQuery的操作方式，取出或設定屬性和內容。它還可以清理不受信任的html，以防止XSS攻擊。你能想到的，幾乎它都能實現。

        先簡單講一下爬蟲。爬蟲，屬於灰色區域吧，它從網際網路上抓取我們所需的資訊，可以自動按時執行，以一定的規則抓取頁面，處理後儲存或利用起來，把別人的資源變成自己的。一般先建立一個爬蟲佇列，將初始URL放入佇列；爬取初始URL，獲取內容和URL連結，內容處理，蒐集儲存自己需要的資源，連結標記為已爬取；獲取內容裡的所有url，將自己需要的url加入爬蟲佇列；從佇列裡取出一個未標記的url，繼續爬取，獲取內容，繼續擴充爬蟲佇列；當所有url都是已爬取，爬取結束。

       再說一下jsoup。主要來說，使用它進行爬取，需要三步。

       首先，獲取html，可以是檔案，也可以是html字串，也可以是url連結。然後，將html轉化為Document物件。最後處理Document物件。處理時，可以獲取指定id的元素屬性或內容，也可以通過標籤獲取。可以獲取1個物件，也可以獲取1個佇列。如果通過jsoup的方法滿足不了你的資料擷取需求，可以繼續用處理字串的方法處理，字串拆分（split）成陣列，再獲取，或者用substring獲取。

       下面以抓取匯率資訊做個簡易demo，抓取人民幣到美元的匯率。直接上程式碼：

public static void main(String args[]) throws IOException{
		//jsoup文件：https://jsoup.org/apidocs/
		String from = "CNY";
		String to = "USD";
		String url = "http://hl.anseo.cn/cal_"+from+"_To_"+to+".aspx";
		Document doc = Jsoup.connect(url).get();
		Element  result = doc.getElementById("result");
		if(null != result ){
			Element pElement = result.getElementsByTag("p").get(1);
			System.out.println("所需的字串："+pElement);
			String [] array = pElement.html().split(" ");
			int i = 0;
			for(String aString : array){
				System.out.println("處理之後，array["+i+"]=\""+aString+"\"");
				i++;
			}
			String fromName = array[1];
			String toName = array[4];
			//double除法有問題，用bigdecimal
			BigDecimal a1 = new BigDecimal(array[3]);    
			BigDecimal rate = a1.multiply(new BigDecimal("0.01"));
			System.out.println("結果所需要的五個元素："+fromName+"("+from+"),"+toName+"("+to+"),"+rate.doubleValue());
			System.out.println("匯率結果："+rate.doubleValue());
		}
	}
 

所需的字串：<p>100 人民幣 = 14.5100 美元</p>
處理之後，array[0]="100"
處理之後，array[1]="人民幣"
處理之後，array[2]="="
處理之後，array[3]="14.5100"
處理之後，array[4]="美元"
結果所需要的五個元素：人民幣(CNY),美元(USD),0.1451
匯率結果：0.1451

    以上，jsoup真的很強大，java果然是世界上最棒的語言。