java+Jsoup 正则过滤html网页标签【多线程数据采集之二】
来源:互联网 发布:linux系统 便携 编辑:程序博客网 时间:2024/05/21 07:48
java采集数据,获取了 html整个文本之后。
该考虑的是如何过滤掉html标签, 得到自己所需要的重要数据了。
实现方法有多种办法,第一:用正则,第二:用第三方jar包,其实本质也是封装了正则表达式
今天就以 Jsoup 第三方jar包来讲解。
jsoup详细资料:http://blog.csdn.net/yjflinchong/article/details/7743995
转载注明出处:http://blog.csdn.net/column/details/threadgrab.html
现在贴上一个网页过滤的方法实例
- //门票浏览 url参数 http://www.lvmama.com/dest/lantiancheng
- public static DataBean getWebData1(String url){
- DataBean data = null;
- try {
- Document docdata = Jsoup.connect(url).timeout(20000).get();
- String id = ".quick-menu .last a";
- String city = ".proDetail a";
- String title = ".proDetail h1";
- String content = "#Introduction";
- Elements ele = docdata.select(city);
- city = (ele.text());
- ele = docdata.select(title);
- title = (ele.text()).replace("<", "").replace(">", "").replace("\\/", "");
- ele = docdata.select(content);
- content = (ele.text());
- ele = docdata.select(id);
- String[] idary = ele.attr("href").split("\\/");
- id = idary[idary.length-1];
- String type = "景点门票";
- List<String> images = new ArrayList<String>();
- data = new DataBean(id,title,url,content,type,city,images);
- Dom4jUtil.createFile("data/["+type+"]"+title+".xml", Dom4jUtil.createDocument(data));
- type = "景点评论";
- content = ".userComments dl dd:eq(3)";
- ele = docdata.select(content);
- content = "";
- int i = 1;
- for (Element el : ele) {
- content += ("|第"+i+":"+el.text());
- i++;
- }
- data = new DataBean(id,title,url,content,type,city,images);
- //用xml存储数据
- Dom4jUtil.createFile("data/["+type+"]"+title+".xml", Dom4jUtil.createDocument(data));
- } catch (Exception e) {
- e.printStackTrace();
- }
- return data;
- }
整个过程分为几部
1、 获取页面的节点对象
- Document docdata = Jsoup.connect(url).timeout(20000).get();
2、创建选择器,选择页面节点对象的 text 或 html 。 选择方式跟jquery非常类似。
例如:
String title = ".proDetail h1";
ele = docdata.select(title);
这个就是用来选择 class = proDetail 下 h1 标签的对象。通过 ele.text() 就得到了标签中的文本。
- Document docdata = Jsoup.connect(url).timeout(20000).get();
- String id = ".quick-menu .last a";
- String city = ".proDetail a";
- String title = ".proDetail h1";
- String content = "#Introduction";
- Elements ele = docdata.select(city);
- city = (ele.text());
- ele = docdata.select(title);
- title = (ele.text()).replace("<", "").replace(">", "").replace("\\/", "");
- ele = docdata.select(content);
- content = (ele.text());
- ele = docdata.select(id);
- String[] idary = ele.attr("href").split("\\/");
- id = idary[idary.length-1];
3、通过获取的数据,构造java数据对象 。 然后存入xml或txt文件。 如果有需要也可以存入数据库啦。
- String type = "景点门票";
- List<String> images = new ArrayList<String>();
- data = new DataBean(id,title,url,content,type,city,images);
- Dom4jUtil.createFile("data/["+type+"]"+title+".xml", Dom4jUtil.createDocument(data));
走完这3部,就算是从html源代码文件中取到了 我们需要的数据了。
转载注明出处:http://blog.csdn.net/yjflinchong
java采集数据过滤html标签,获取指定数据,就搞定了
- java+Jsoup 正则过滤html网页标签【多线程数据采集之二】
- java+Jsoup 正则过滤html网页标签【多线程数据采集之二】
- java+Jsoup 正则过滤html网页标签【多线程数据采集之二】
- java+Jsoup 正则过滤html网页标签
- java+Jsoup 正则过滤html网页…
- jsoup 解析html网页标签获取数据(java 网页解析 数据)
- java中利用正则,过滤网页标签.......
- 正则表达式之过滤html标签
- java 正则表达式 过滤html标签
- Java正则表达式过滤html标签
- java正则表达式过滤html标签
- java正则表达式过滤html标签
- JAVA正则表达式过滤html标签
- java正则表达式过滤html标签
- java正则过滤html标签属性
- java正则过滤html标签属性
- java正则过滤html标签属性
- java采集网页数据方法【多线程数据采集之一】
- #HTML5 & JS TIPS# 合法解决纯JS+HTML5前端简单跨域与复杂跨域问题
- java采集网页数据方法【多线程数据采集之一】
- 一个MapReuce作业的从开始到结束--第4章 DataNode节点启动分析
- SVN服务器搭建和使用(一)
- 转载 在C++中如何实现文件的读写?
- java+Jsoup 正则过滤html网页标签【多线程数据采集之二】
- Android 4.2 Input 流程分析
- Posix多线程编程学习笔记
- hibernate4.0中SessionFactory的创建
- JSP 自定义标签
- 面试经常被问到的java字符串池比较好的理解
- 你的android设备adb端口被谁占用
- HOG特征分析
- ubuntu下连接小米2