了解Jsoup并解析51CTO博客主页中的友情链接-CSDN博客

Jsoup参见百度http://baike.baidu.com/view/4066913.htm

Jsoup解析HTML文件基本步骤：

获取Connection对象
通过Connection获取文档Document对象
根据需要解析文档

例子1：

import java.io.IOException;
import org.jsoup.Connection;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;
public class Demo1 {
    private static final String URL = "http://aiilive.blog.51cto.com/";
    public static void main(String[] args) throws IOException {
        /**
         * 通过URL获取连接
         */
        Connection conn = Jsoup.connect(URL);
        /**
         * 通过连接获取文档对象
         */
        Document doc = conn.get();
        /**
         * 获取所有的超链接
         */
        Elements elements=doc.getElementsByTag("ul");
        for(int i=0, j=elements.size();i<j;i++){
            System.out.println(elements.get(i).html());
        }
    }
}

例子2：来自org.jsoup.examples.ListLink.java

package org.jsoup.examples;
import org.jsoup.Jsoup;
import org.jsoup.helper.Validate;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.IOException;
/**
 * Example program to list links from a URL.
 */
public class ListLinks {
    public static void main(String[] args) throws IOException {
        Validate.isTrue(args.length == 1, "usage: supply url to fetch");
        String url = args[0];
        print("Fetching %s...", url);
        Document doc = Jsoup.connect(url).get();
        Elements links = doc.select("a[href]");
        Elements media = doc.select("[src]");
        Elements imports = doc.select("link[href]");
        print("\nMedia: (%d)", media.size());
        for (Element src : media) {
            if (src.tagName().equals("img"))
                print(" * %s: <%s> %sx%s (%s)",
                        src.tagName(), src.attr("abs:src"), src.attr("width"), src.attr("height"),
                        trim(src.attr("alt"), 20));
            else
                print(" * %s: <%s>", src.tagName(), src.attr("abs:src"));
        }
        print("\nImports: (%d)", imports.size());
        for (Element link : imports) {
            print(" * %s <%s> (%s)", link.tagName(),link.attr("abs:href"), link.attr("rel"));
        }
        print("\nLinks: (%d)", links.size());
        for (Element link : links) {
            print(" * a: <%s>  (%s)", link.attr("abs:href"), trim(link.text(), 35));
        }
    }
    private static void print(String msg, Object... args) {
        System.out.println(String.format(msg, args));
    }
    private static String trim(String s, int width) {
        if (s.length() > width)
            return s.substring(0, width-1) + ".";
        else
            return s;
    }
}

在解析51CTO博客中的友情链接的想法：

选择一个博客主页地址，如:http://aiilive.blog.51cto.com
通过<1>中的地址，获取到相对应的友情链接；
将友情链接作为<1>中的地址继续获取；

解析的前提是对博客页面进行分析，下面是通过FireFox的程序员开发工具分析图：

友情链接在<div class="friendLink box">...</div>里面。

Jsoup的优秀之处之一提供了类似CSS的选择器的方法，可以去特定标签进行选择过滤。

友情链接的部分如下图：

做法一：

筛选出div class;
算选出属性class的值为fiendLink box
获取<a>...</a>的HTML代码

处理<3>字符串

代码1：获取<li>中的HTML代码

/**
         * 获取BlogMain中的超链接
         */
        Element e = null;
        Elements elements = doc.select("div[class]");
        for (int i = 0; i < elements.size(); i++) {
            e = elements.get(i);
            if (e.attr("class").equals("friendLink box")) {
                break;
            }
        }
        printElements(e.children().tagName("li"));

/**
     * 获取Elements中每一个Elment的HTML代码
     * @param es
     */
    private static void printElements(Elements es) {
        for (int i = 0, j = es.size(); i < j; i++) {
            Element e = es.get(i);
            String str = e.html();
            getUrl(str);
        }
    }

代码2：处理<3>中的字符串

/**
     * <a href="http://21cnbao.blog.51cto.com" title="宋宝华的博客" target="_blank">宋宝华的博客</a>
     * @param str
     */
    private static void getUrl(String str) {
        String[] strs = str.split("\"");
        for (String string : strs) {
            if (string.indexOf("http") != -1) {
                System.out.println(string);
            }
        }
    }

做法二：

做一个微小的改动：上述代码1中的printElements(Elements es){...}进行改动。

如下：

private static final String ATTRIBUTE_VALUE_ABS = "abs:href";
//方法改写
private static void getUrlExt(Elements es) {
        for (Element element : es) {
            String href = element.attr(ATTRIBUTE_VALUE_ABS);
//筛选51CTO博客
            if (filter51ctoBlog(href)) {
                linkSetTemp.add(href);
            }
        }
    }

filter51ctoBlog(href)做51CTO博客筛选，是保证URL个格式符和51CTO博客主页格式。

完整的深度可调节的博客友情链接遍历：

代码：

import java.io.IOException;
import java.util.HashSet;
import java.util.Iterator;
import java.util.Set;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
public class Demo4 {
    //遍历最小深度
    private static final int LEVEL_MIN = 1;
    //遍历最大深度
    private static final int LEVEL_MAX = 4;
    //程序入口URL
    private static final String IN_URL = "http://aiilive.blog.51cto.com/";
    //友情链接标记
//  private static final String TAGNAME = "li";
    //DIV CLASS筛选条件
    private static final String SELECT_DIV = "div[class]";
    private static final String ATTRIBUTE = "class";
    //友情链接CLASS的值
    private static final String ATTRIBUTE_VALUE = "friendLink box";
    //超链接筛选Query
    private static final String ATTRIBUTE_VALUE_ABS = "abs:href";
    private static final String SELECT_TAG = "a[href]";
    //存放遍历的友情链接
    private static Set<String> linkSet = new HashSet<String>();
    private static Set<String> linkSetTemp = null;
    static {
        linkSet.add(IN_URL);
    }
    /**
     * 第一种：获取友情链接的URL
     *
     * @param es
     */
    @SuppressWarnings("unused")
    private static void getUrl(Elements es) {
        for (int i = 0, j = es.size(); i < j; i++) {
            Element e = es.get(i);
            String str = e.html();
            String[] strs = str.split("\"");
            for (String  strs ) {
                if (href.indexOf("http") != -1) {
                    if (filter51ctoBlog(href)) {
                        linkSetTemp.add(href);
                    }
                }
            }
        }
    }
    /**
     * 过滤非51CTO博客主页的URL
     * @param str
     * @return
     */
    private static boolean filter51ctoBlog(String str) {
        return str.endsWith("blog.51cto.com");
    }
    /**
     * 第二种：获取友情链接的URL
     *
     * @param es
     */
    private static void getUrlExt(Elements es) {
        for (Element element : es) {
            String href = element.attr(ATTRIBUTE_VALUE_ABS);
            if (filter51ctoBlog(href)) {
                linkSetTemp.add(href);
            }
        }
    }
    /**
     * 添加友情链接
     *
     * @param url
     * @throws IOException
     */
    private static void addFriendLink(String url) throws IOException {
        Document doc = Jsoup.connect(url).get();
        Element e = null;
        Elements elements = doc.select(SELECT_DIV);
        for (int i = 0; i < elements.size(); i++) {
            e = elements.get(i);
            if (e.attr(ATTRIBUTE).equals(ATTRIBUTE_VALUE)) {
                break;
            }
        }
        // 获取FRIEND_BOX的孩子结点，筛选出li标签
        // getUrl(e.children().tagName(TAGNAME));
        Elements es = e.children().select(SELECT_TAG);
        getUrlExt(es);
    }
    /**
     * 添加友情链接
     *
     * @param set
     * @throws IOException
     */
    private static void addFriendLink(Set<String> set) throws IOException {
        for (Iterator<String> iter = set.iterator(); iter.hasNext();) {
            addFriendLink(iter.next());
        }
    }
    /**
     * 打印集合信息
     *
     * @param set
     */
    private static void printSet(Set<String> set) {
        for (Iterator<String> iter = set.iterator(); iter.hasNext();) {
            System.out.println(iter.next());
        }
    }
    public static void main(String[] args) throws IOException {
        linkSet.add(IN_URL);
        for (int i = LEVEL_MIN; i <= LEVEL_MAX; i++) {
            linkSetTemp = new HashSet<String>();
            addFriendLink(linkSet);
            linkSet.addAll(linkSetTemp);
            linkSetTemp = null;
        }
        System.out.println(linkSet.size());
        printSet(linkSet);
    }
}

解析HTML要对文件进行分析，找出共同特征。比如：不同博客的主页的排版方式不同，那么通过布局去解析会出问题，在获取HTML文件中某一部分的内容，应该从标签的Id，class入手。这次解遇到这样的问题，是因为博客布局的不同，所以要提取相同解决，特定处理不同。

本文出自 “野马红尘” 博客，谢绝转载！

转载于:https://my.oschina.net/aiilive/blog/507320