网页抓取步骤:
1.将页面转化为流(或字符串)
2.将流保存为.xml文件(主要目地是为了处理中文乱码问题,xml文件为临时文件)
3.将xml转化为流,用Jtidy进行html格式化处理,并将处理好后的流转化为dom树
4.将dom树转化为xpath可以解析的InputSource
5.用xpath进行解析
代码暂不演示。
补充:
1.如果要使用文件保存,可利用线程名来命名文件,避免出现IO异常。另外可将流直接转化为String,再将String转化流供Jtidy处理。
2.如果服务器为IBM AIX,则要注意啦,在此机器下虽经Jtidy处理,但是仍然有些标签不会封闭,没有封闭的标签Xpath是会出现解析异常的。
3.AIX对某些标签的处理和windows及linux不同,需要多加注意。有些标签在windows下解析没问题,但是在AIX下就会出问题。
1.将页面转化为流(或字符串)
2.将流保存为.xml文件(主要目地是为了处理中文乱码问题,xml文件为临时文件)
3.将xml转化为流,用Jtidy进行html格式化处理,并将处理好后的流转化为dom树
4.将dom树转化为xpath可以解析的InputSource
5.用xpath进行解析
代码暂不演示。
补充:
1.如果要使用文件保存,可利用线程名来命名文件,避免出现IO异常。另外可将流直接转化为String,再将String转化流供Jtidy处理。
2.如果服务器为IBM AIX,则要注意啦,在此机器下虽经Jtidy处理,但是仍然有些标签不会封闭,没有封闭的标签Xpath是会出现解析异常的。
3.AIX对某些标签的处理和windows及linux不同,需要多加注意。有些标签在windows下解析没问题,但是在AIX下就会出问题。