爬虫相关（2）---- 解析HTML源码

参考连接：http://m.oschina.net/blog/126725

上一章介绍了如何使用java本地类库获取http资源。下一步就要考虑如何将源码中的有效信息提取出来。有很多相关的类库可以使用，htmlparser，jsoup，heritrix等等。

但是从我自己的经验，还是比较倾向于使用jsoup。

这里先介绍如何使用jsoup完成http connection。

jsoup可以接受本地文件，http连接，甚至html字符串进行解析。比起自己建立连接要方便的多。

示例代码：

String html = "<div><p align=\"center\"><img alt=\"\" width=\"660\" height=\"852\" src=\"/erp/UserFiles/Image/51.jpg\" />这是P元素的内容</p>";
Document document = Jsoup.parse(html);

Document document = Jsoup.connect("http://www.baidu.com").get(); //建立连接
String title = document.title();	
String text = document.text();





对于document类的操作非常类似于dom4j，简便快捷。现在还在学习选择器，剩下的内容晚上继续补上。