meta标签有毒
来源:互联网 发布:java byte 0xff 编辑:程序博客网 时间:2024/04/28 11:52
今天要完成的一项工作是:从 html文件中提取,title标签
原本以为是很简单的工作呢。可是一个素食网站里面,像这些http://www.chinavegan.com/2015/05/2015051718461747.html
网页,当我用 httpclient下载页面,然后用jsoup进行解析的时候,发现,document对象里面,title标签,h1标签统统都没有了。可是,我再去下载好的网页时看,咦,title、h1标签都是存在的啊。
怎么回事?
后俩比较一下 如下的两个网页:
http://www.chinavegan.com/2015/05/2015051718461747.htm
(抽不出 title、h1标签内容,因为jsoup解析的时候,documnet里面根本没有 这两类标签)
http://www.chinavegan.com/
(可以抽出 title、h1标签内容)
原因是:
看到没,下面那张图片里面少了:
~~~~~~~~~~~~~~~~~~~~
my god,我笨,我调了那么长时间,终于找到了错误。
然后:
我首先采取,手工 输入这句话,果然 普通页面也可以提取title了。
接着,我天真的以为,
方法一:可以通过 文件 读写的方式,来给每个 普通网页在title标签之前,加上
这句话。结果各种错误,说明这样使不可行的
方法二:
我采用 jsoup的各种方式,企图向head标签后面加入
事实证明是无用的。title标签依旧不在jsoup中。
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
以上两种方法,都没有抓住源头,源头的错误,应该是出现在下载网页的时候。方正,最后我参考了这篇文章,采用java的url,全部读取网页内容,然后使用正则表达式,终于搞定了,成功提取title.
参考的帖子:http://blog.csdn.net/yuyuyuyuy/article/details/6547430
package catchhtml;import java.io.BufferedReader;import java.io.IOException;import java.io.InputStreamReader;import java.net.MalformedURLException;import java.net.URL;import java.util.ArrayList;import java.util.List;import java.util.regex.Matcher;import java.util.regex.Pattern;public class GetHtmlTitle { public GetHtmlTitle(String htmlUrl){ System.out.println("/n------------开始读取网页(" + htmlUrl + ")-----------"); String htmlSource = ""; htmlSource = getHtmlSource(htmlUrl);//获取htmlUrl网址网页的源码 System.out.println("------------读取网页(" + htmlUrl + ")结束-----------/n"); System.out.println("------------分析(" + htmlUrl + ")结果如下-----------/n"); String title = getTitle(htmlSource); System.out.println("网站标题: " + title); } /** * 根据网址返回网页的源码 * @param htmlUrl * @return */ public String getHtmlSource(String htmlUrl){ URL url; StringBuffer sb = new StringBuffer(); try{ url = new URL(htmlUrl); BufferedReader in = new BufferedReader(new InputStreamReader(url.openStream(), "UTF-8"));//读取网页全部内容 String temp; while ((temp = in.readLine()) != null) { sb.append(temp); } in.close(); }catch (MalformedURLException e) { System.out.println("你输入的URL格式有问题!请仔细输入"); }catch (IOException e) { e.printStackTrace(); } return sb.toString(); } /** * 从html源码(字符串)中去掉标题 * @param htmlSource * @return */ public String getTitle(String htmlSource){ List<String> list = new ArrayList<String>(); String title = ""; //Pattern pa = Pattern.compile("<title>.*?</title>", Pattern.CANON_EQ);也可以 Pattern pa = Pattern.compile("<title>.*?</title>");//源码中标题正则表达式 Matcher ma = pa.matcher(htmlSource); while (ma.find())//寻找符合el的字串 { list.add(ma.group());//将符合el的字串加入到list中 } for (int i = 0; i < list.size(); i++) { title = title + list.get(i); } return outTag(title); } /** * 去掉html源码中的标签 * @param s * @return */ public String outTag(String s) { return s.replaceAll("<.*?>", ""); } public static void main(String[] args) { String htmlUrl = "http://www.157buy.com"; new GetHtmlTitle(htmlUrl); }}
总结:jsoup+httpclient,虽然方便,
但是关键时刻还是得靠 正则表达式+java.url
- meta标签有毒
- meta标签 spring meta
- meta标签
- META 标签
- meta标签
- META标签
- META标签
- meta标签
- Meta标签
- meta标签
- Meta标签
- META标签
- meta标签
- <meta>标签
- meta标签
- meta标签
- meta标签
- meta标签
- Inversions
- JAXB基本使用
- android中图片置灰,返回Bitmap
- iOS-OC中使用KVC转换JSON数据(笔记)
- 高精度的大数字运算
- meta标签有毒
- Drawable简介之-------shape
- iOS AutoLayout: 关联 Xib 和 UIViewController
- 机器学习之决策树
- JAVA_OA管理系统(三):Spring参数注入
- 网络访问不能在主线程中,要新建一个子线程,重写run()方法。
- 1.开始用Tornado:从Hello World开始 (副标题:了解Tornado代码组织)
- Android界面开发中添加第三方字体类型以及清除失败的解决方法。
- Unix & Linux笔记(13)