Jsoup网页内容抓取分析(1)

最新推荐文章于 2023-12-28 16:13:14 发布

Jlins

最新推荐文章于 2023-12-28 16:13:14 发布

阅读量3.6k

点赞数

分类专栏：随笔文章标签： Jsoup jsoup

随笔专栏收录该内容

40 篇文章 0 订阅

订阅专栏

在Java 程序在解析HTML 文档时，大家应该晓得htmlparser 这个开源项目，我也是使用过，不过这个程序到了2006年就没有更新了。由于我的基础较差，对于扩展自定义的标签还是不太懂，还是有超时问题困扰，偶然的机会中发现有jsoup，而且更新到了1.72版，使用起来还是很容易上手的。下面写些使用心得：

jsoup is a Java library for working with real-world HTML. It provides a very convenient API for extracting and manipulating data, using the best of DOM, CSS, and jquery-like methods.

jsuop是一款java的html解析器，提供一套非常省力的API，通过dom模型css和类似于jquery的方式来获取和操作数据。

功能：1.解析一个Html文档，2.解析一个body片段

    Java代码  
     
    
  
String html = "<html><head><title>First parse</title></head>"  
  + "<body><p>Parsed HTML into a doc.</p></body></html>";  
Document doc = Jsoup.parse(html);//分析文档，使用doc.toString()可以转为文本  
Element body=doc.body();//获取body片段，使用body.toString()可以转为文本  

获取方式：1.从本地文件加载 2.根据url地址获取

    Java代码  
     
    
  
/**使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法 
 *其中baseUri参数用于解决文件中URLs是相对路径的问题。 
 *如果不需要可以传入一个空的字符串。 
 */  
File input = new File("/tmp/input.html");  
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");  

    Java代码  
     
    
  
/** 
 *根据url直接获取内容，可以加入超时，get方法不行，就用post方法 
 *我在实际应用中，出现404,405,504等错误信息 
 *将get改为post就可以，或者反过来改 
 *如果等以后弄明白了，再来解释清楚 
 */  
Document doc1 = Jsoup.connect("http://www.hao123.com/").get();  
String title = doc1.title(); //获取网页的标题  
String content=doc1.toString();//将网页转为文本  
  
Document doc2 = Jsoup.connect("http://www.hao123.com")  
  .data("query", "Java")//请求参数  
  .userAgent("Mozilla")//设置urer-agent  
  .cookie("auth", "token")//设置cookie  
  .timeout(50000)//设置连接超时  
  .post();//或者改为get  

Jlins

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
2
评论
Jsoup网页内容抓取分析(1)

在Java 程序在解析HTML 文档时，大家应该晓得htmlparser 这个开源项目，我也是使用过，不过这个程序到了2006年就没有更新了。由于我的基础较差，对于扩展自定义的标签还是不太懂，还是有超时问题困扰，偶然的机会中发现有jsoup，而且更新到了1.72版，使用起来还是很容易上手的。下面写些使用心得： jsoup is a Java library for working w
复制链接

扫一扫