html数据解析工具,网络爬虫--数据处理，jsoup工具解析html，dom4j解析xml

之前提到过，对于简单的网页结构解析，可以直接通过观察法、手工写正则解析，可以做出来，比如网易微博。但是对于结构稍微复杂点的，比如新浪微博，如果还用正则，用眼睛一个个去找，未免太麻烦了。

本文介绍两个工具包：解析html, xml的jsoup，和读写xml的dom4j。

工具包jsoup是解析html、xml的利器，利用jsoup可以快速读取html等规范文档格式的节点数据，比正则解析省事多了，而且自己写正则容易考虑不周导致潜在bug，也很容易出错。

同时我们提取出来的微博数据直接存在txt文档里显得结构层次不太清晰，也可以以xml的形式输出，自定义节点，当然首先是得对xml格式有所了解，写xml文件有个工具包dom4j。

下面仅仅给出这两个工具包在这个微博爬虫项目中使用的例子，其实这两个强大的工具包还有其他很多的用法，更多的应用详见官方说明文档。

一、jsoup解析HTML

Jsoup是一个基于java的html解析器，可直接解析某个URL地址、HTML文本内容，其提供的API可以通过DOM, CSS,类jQuery的操作方法读取和操纵数据。

Jsoup主要功能：

1.从一个url、文件或字符串解析html。

2.使用DOM或CSS选择器查找、取出数据。

3.可以操作HTML的元素、属性、文本。

当然jsoup比其他解析器更有优势的地方就是它的选择器功能，很多解析只要一行代码就搞定，而用其他工具包至少都要写很多行。选择器操作比如doc.select(“a[herf]”);选择器select可以选择你想要的任何元素。

在本项目中的代码：

public String parse(String html){

String s = "";

Document doc = Jsoup.parse(html);

Elements userNames = doc.select("dt[class].face > a");

Elements userids = doc.select("span > a[action-data]");

Elements dates = doc.select("a[date]");

Elements tweetids = doc.select("dl[mid]");

Elements tweets = doc.select("p > em");

Elements forwardNums = doc.select("a:contains(转发)");

Elements commentNums = doc.select("a:contains(评论)");

for(Element userName : userNames) {

String attr = userName.attr("title");

s += " " + attr + " ";

}

for(Element userid : userids) {

String attr = userid.attr("action-data");

attr = attr.substring(attr.indexOf("uid="));

Pattern p = Pattern.compile("[0-9]+");

Matcher m = p.matcher(attr);

if(m.find()) {

attr = m.group();

}

s += " " + attr + " ";

}

for(Element date : dates) {

String attr = date.text();

s += " " + attr + " ";

}

for(Element tweetid : tweetids) {

String attr = tweetid.attr("mid");

s += " " + attr + " ";

}

for(Element tweet : tweets) {

String attr = tweet.text();

s += " " + attr + " ";

}

for(Element forwardNum : forwardNums) {

String attr = forwardNum.text();

if(attr.equals("转发")) {

attr = "0";

}

else {

if(!attr.contains("转发(")) {

attr = "0";

}

else {

attr = attr.substring(attr.indexOf("转发(")+3, attr.indexOf(")"));

}

}

System.out.println(attr);

s += " " + attr + " ";

}

for(Element commentNum : commentNums) {

String attr = commentNum.text();

if(attr.equals("评论")) {

attr = "0";

}

else {

if(!attr.contains("评论(")) {

attr = "0";

}

else {

attr = attr.substring(attr.indexOf("评论(")+3, attr.indexOf(""));

}

}

System.out.println(attr);

s += " " + attr + " ";

}

//System.out.println(s);

return s;

}

二、dom4j写出微博数据到xml

在本项目中的代码：

public void writeVector2xml(Vector vector, String saveXMLPath) throws IOException {

int vectorSize = vector.size();

String oneIniTweet;

OutputFormat format = OutputFormat.createPrettyPrint();

format.setEncoding("GB2312"); //xml被识别格式仅为gb2312,默认utf8不被识别

File f = new File(saveXMLPath);

f.createNewFile(); //先建立一个空xml文件

FileWriter fw = new FileWriter(f);

org.dom4j.Document document = DocumentHelper.createDocument(); //建document对象实例

org.dom4j.Element rootElement = document.addElement("tweets"); //节点增加方法

rootElement.addAttribute("totalNumber", String.valueOf(vectorSize)); //设置属性

for(int j=0; j

oneIniTweet = vector.get(j);

String userName = oneIniTweet.substring(oneIniTweet.indexOf(" "), oneIniTweet.indexOf(" "));

String userId = oneIniTweet.substring(oneIniTweet.indexOf(" "), oneIniTweet.indexOf(" "));

String prettyTime = oneIniTweet.substring(oneIniTweet.indexOf(" "), oneIniTweet.indexOf(" "));

String tweetSentence = oneIniTweet.substring(oneIniTweet.indexOf(" "), oneIniTweet.indexOf(" "));

org.dom4j.Element tweetElement = rootElement.addElement("tweet");

tweetElement.addAttribute("userName", userName);

tweetElement.addAttribute("userId", userId);

tweetElement.addAttribute("prettyTime", prettyTime);

tweetElement.setText(tweetSentence); // 设置节点文本内容

}

XMLWriter xw = new XMLWriter(fw, format);

xw.write(document);

xw.close();

}

写出的xml的结果：