java 维基百科_java – 维基百科的第一段

它非常简单,每个半结构化页面的过程都非常相似,您可以从中提取信息.

首先,您必须唯一地标识所需信息所在的DOM元素.最简单的方法是使用Web开发工具,例如Firefox中的Firebug,或者与IE捆绑在一起的工具(> 6,我认为)和Chrome.

以文章Potato为例,您会发现您感兴趣的< p> aragraph位于以下块中：

[...]

[...]

[...]

[...]

The potato [...]

[...]

[...]

换句话说,你想要找到第一个< p> div中的元素,名为mw-content-ltr.

然后,您只需要使用jsoup选择该元素,例如使用其选择器语法(这与jQuery非常相似)：

public class WikipediaParser {

private final String baseUrl;

public WikipediaParser(String lang) {

this.baseUrl = String.format("http://%s.wikipedia.org/wiki/", lang);

}

public String fetchFirstParagraph(String article) throws IOException {

String url = baseUrl + article;

Document doc = Jsoup.connect(url).get();

Elements paragraphs = doc.select(".mw-content-ltr p");

Element firstParagraph = paragraphs.first();

return firstParagraph.text();

}

public static void main(String[] args) throws IOException {

WikipediaParser parser = new WikipediaParser("en");

String firstParagraph = parser.fetchFirstParagraph("Potato");

System.out.println(firstParagraph); // prints "The potato is a starchy [...]."

}

}