[Day 21] 遠征 Kotlin × Spring Boot 爬蟲實戰教學

第 12 屆 iThome 鐵人賽

DAY 21

Modern Web

30天從零撰寫 Kotlin 語言並應用於 Spring Boot 開發系列第 21 篇

12th鐵人賽 spring boot webscraping kotlin jsoup

Devin

團隊Kotlin 鐵人陣

2020-09-30 22:47:11

4009 瀏覽

分享至

今日看到有許多鐵人賽的朋友紛紛完賽，有點好奇目前還有幾位鐵人還在一起努力，於是想到可以撰寫爬蟲 Web scraper 程式來了解一下，而在 Java library 中有個 JSOUP 套件，此套件有提供許多方便易用的 API 可以解析 HTML，使用方法與 CSS 或 jQuery 選擇器類似，也因為 Kotlin 與 Java 整合度非常好，所以 Kotlin 可以直接呼叫 Java Library 讓我們順利處理許多事情，下面我們來介紹 JSOUP 的使用方式與實作範例「鐵人賽比賽現況」

引入方法

若要使用 JSOUP 套件要記得先引入套件，下面是 Maven 與 Gradle 分別引用方式

Maven

<dependency>
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.13.1</version>
</dependency>

Gradle
```
compile 'org.jsoup:jsoup:1.13.1'
```

資料輸入方法

JSOUP 主要支援四種輸入（Input）方式進行解析成 Document 物件，如下：

從字串解析

此方法要注意字串必須包含 head 與 body 元素

val html : String = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>";
val doc : Document = Jsoup.parse(html);

從 HTML 片段解析

我們也可以將 HTML Body 元素下的部份元素進行分析，例如一部份的 Div 元素，如下：

val html : String = "<div><p>Lorem ipsum.</p>";
val doc : Document = Jsoup.parseBodyFragment(html);
val body : Element = doc.body();

利用 URL 載入 Document

此方式應該是最常用的方式，利用網頁 url 直接進行分析，其中會使用到 connect 方法，此方法會我們建立一個新的連線，也可以在此方法設定請求細節，例如 cookie、userAgent、timeout等設定，如下：
```
val doc : Document = Jsoup.connect("http://example.com/").get();
val title : String = doc.title();
```

利用 File 載入 Document

我們也可以將 HTML 檔案進行讀檔分析，如下：

val input : File = new File("/tmp/input.html");
val doc : Document = Jsoup.parse(input, "UTF-8", "http://example.com/");

資料解析方法

在解析方法中，主要會推薦使用兩種方法，再看大家比較喜歡哪一種方式：

DOM 方法

此方法就是利用 DOM 操作的寫法讓我們學習如何在取得的 Document 物件進行取得元素值 Element，範例如下：
```
val input : File = new File("/tmp/input.html");
val doc : Document = Jsoup.parse(input, "UTF-8", "http://example.com/");

val content : Element = doc.getElementById("content");
val links : Elements = content.getElementsByTag("a");
for (val link : links) {
  val linkHref : String = link.attr("href");
  val linkText : String = link.text();
}
```
- 尋找元素方法有以下幾種
  - [getElementById(String id)] 利用 id 進行尋找
  - [getElementsByTag(String tag)] 利用 tag 進行尋找
  - [getElementsByClass(String className)] 利用 class 進行尋找
  - [getElementsByAttribute(String key)] 利用屬性值進行尋找
  - 也可以使用下面方法找出與元素有關聯的元素
    - [siblingElements()]
    - [firstElementSibling()]
    - [lastElementSibling()]
    - [nextElementSibling()]
    - [previousElementSibling()]
    - [parent()]
    - [children()]
    - [child(int index)]
- 元素細節操作方法
  - [attr(String key)] 利用元素 key 值取得元素屬性
  - [attr(String key, String value)] 設定元素屬性
  - [attributes()] 取得所有元素屬性
  - [id()], [className()] and [classNames()]
  - [text()] 取得元素文字資料
  - [html()] 取得元素 HTML 資料
  - [tag()] 、[tagName()] 取得 Tag 資料
- 控制 HTML 元素與文字
  - [append(String html)], [prepend(String html)]
  - [appendText(String text)], [prependText(String text)]
  - [appendElement(String tagName)], [prependElement(String tagName)]
  - [html(String value)]
選取器方法

此方法類似於 CSS、jQuery的選取器使用方法，如下：
```
val input : File = new File("/tmp/input.html");
val doc : Document = Jsoup.parse(input, "UTF-8", "http://example.com/");

val links : Elements = doc.select("a[href]");
val pngs : Elements = doc.select("img[src$=.png]");

val masthead : Element = doc.select("div.masthead").first();
val resultLinks : Elements = doc.select("h3.r > a");
```
- 選取器（Selector）使用方式
  - tagname 利用 Tag 找到元素，例如 a 元素
  - #id利用 # 符號加上 id 尋找元素
  - .class 利用 . 符號加上 class 值尋找元素
  - [attribute] 設定元素是否包含某個屬性進行進階條件尋找
  - [attr=value] 設定元素是否包含某個屬性欄位與對應值，例如 width=500
  - [attr^=value], [attr$=value], [attr*=value] 可針對屬性值使用模糊查詢
  - [attr~=regex]: 針對屬性值使用 regular expression，例如 img[src~=(?i)\.(png|jpe?g)]
- 選取器組合（Selector combinations ）方式
  - el#id 利用元素加上 id 值進行尋找，例如 div#logo
  - el.class 利用元素加上 class 值進行尋找，例如 div.masthead
  - el[attr] 利用元素搭配屬性值進行尋找，例如 a[href]
  - 或是使用任何元素與屬性進行尋找，例如 a[href].highlight

元素擷取細節

上面已經介紹如何取得 Document 物件與取得特定元素 Element，再來想要介紹如何取得元素Elements 的細節資料，例如元素的文字（Text）、連結（href）等欄位，如下範例：

val html : String = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";
val doc : Document = Jsoup.parse(html);
val link : Element = doc.select("a").first();

val elementId = doc.id()
val elementTagName = doc.tagName()
val elementClassName = doc.className()

// 取得 An example link.
val text : String = doc.body().text(); 

// 取得 http://example.com/
val linkHref : String = link.attr("href"); 

// 取得 example
val linkText : String = link.text(); 

// 取得 <a href="http://example.com/"><b>example</b></a>
val linkOuterH : String = link.outerHtml(); 

// 取得 <b>example</b>
val linkInnerH : String = link.html();

實作範例

如本文開頭所述，這個範例是想了解鐵人賽還有多少參賽者還在一起努力，有多少鐵人朋友已經順利達陣完成30天目標，故我們從鐵人賽頁面的選手列表進行觀察，我們可以開啟瀏覽器的開發者工具了解網站每個元素的規則，這邊將觀察到的規則整理如下：

(1) 開啟瀏覽器開發者工具，觀察每個元素如何進行命名，找出對應的規則

contestants-list clearfix 為每一個參賽者資料區塊
contestants-list__title 參賽者參賽主題
contestants-list__name 參賽者暱稱
contestants-list__desc 主題描述
contestants-expect__number 敲碗數
team-dashboard__day 挑戰天數
contestants-group contestants-list__group 挑戰組別
contestants-list__date 報名日期
team-dashboard__box team-progress--challenge 正在挑戰的樣式
team-dashboard__box team-progress--fail 挑戰失敗的樣式

(2) 觀察出關鍵元素－正在挑戰 / 挑戰失敗的樣式差異，如下圖

(3) 接下來，我們利用上述整理的規則進行撰寫程式，說明如下：

@RestController
@RequestMapping("/api")
class HomeController {

    @GetMapping("/getIronManData")
    fun getData(): HashMap<String, Any> {
        // 初始化 API 輸出集合
        val response = HashMap<String, Any>()

		// 設定爬蟲會用到的基本參數
        // 鐵人賽網站連結
        val ironManUrl: String = "https://ithelp.ithome.com.tw/2020-12th-ironman/signup/list"
        var document = Jsoup.connect(ironManUrl).get()
        // 取得全部網站註冊人數
		val totalRegisterPerson = document.select(".contestants-num")[0].text().replace("報名數 ", "").toInt()
        // 取得每頁參加者數量
        val onePageCount = document.select(".contestants-list").size
        // 取得全部頁面數量
		val totalPageCount = totalRegisterPerson / onePageCount + 1
        // 初始化參數
		var challengingCount = 0 // 仍正在挑戰中的人數
        var challengeSuccessCount = 0 // 挑戰成功的人數
        var challengeFailedCount = 0 // 挑戰失敗的人數
        var unchallengedCount = 0 // 已經報名，但未開賽的人數
        // 初始化每日進度集合 
		val daysCount = HashMap<String, Int>()
		for (index in 0..30) daysCount[index.toString()] = 0
        
		// 帶入每頁頁碼參數
		for (page in 1..totalPageCount) {
			// 連結加入頁碼參數
            document = Jsoup.connect("$ironManUrl?page=$page").get()
			// 查詢此頁參加者區塊數量
            val cardSize = document.select(".contestants-list").size
			// 帶入此頁區塊數量
            for (index in 0 until cardSize) {
                // 取得區塊元素 Element 
                val item = document.select(".contestants-list")
				// 取得挑戰天數資料
                val challengeDay = item.select(".team-dashboard__day")[index].text().replace("DAY ", "").replace("尚未開賽", "0").toString()
                // 將該挑戰天數的挑賽人數 + 1
				daysCount[challengeDay] = daysCount[challengeDay]!!.toInt().plus(1)

				// 取得挑戰狀態
                val progressByChallengeStatus = ! item.select(".team-progress--challenge").isEmpty()
                val progressByFailStatus = ! item.select(".team-progress--fail").isEmpty()

				// 計算挑戰成功、挑戰中、挑戰失敗、已報名未挑戰人數
                if (progressByChallengeStatus && !progressByFailStatus && challengeDay.toInt() == 30) challengeSuccessCount++
                if (progressByChallengeStatus && !progressByFailStatus && challengeDay.toInt() != 30) challengingCount++
                if (!progressByChallengeStatus && progressByFailStatus && challengeDay.toInt() == 0) unchallengedCount++
                if (!progressByChallengeStatus && progressByFailStatus && challengeDay.toInt() > 0) challengeFailedCount++
            }
        }
        // 儲存 API 結果進行輸出
        response["全部參賽人數"] = totalRegisterPerson
        response["挑戰成功人數"] = challengeSuccessCount
        response["挑戰進行人數"] = challengingCount
        response["挑戰失敗人數"] = challengeFailedCount
        response["挑戰進度文章數量（天/篇）"] = daysCount

        return response
    }
}

(4) 接著執行程式，會產生如下 API 爬蟲結果：