jsoup抓取dopostback的网页错误 是不是body出什么问题
我不是孙悟空
2024-05-14 17:59:02
最佳回答
在j**a 程序在解析html 文档时,大家应该晓得htmlparser 这个开源项目,我也是使用过,不过这个程序到了2006年就没有更新了。由于我的基础较差,对于扩展自定义的标签还是不太懂,还是有超时问题困扰,去在约上找个专家咨询了下,使用起来还是很容易上手的。下面写些使用心得: jsoup ** a j**a library for wo**ng with real-world html. it provides a very convenient api for extracting and manipulating data, using the best of dom, css, and jquery-like methods. jsuop是一款j**a的html解析器,提供一套非常省力的api,通过dom模型css和类似于jquery的方式来获取和操作数据。 功能:1.解析一个html文档,2.解析一个body片段j**a代码 string html = "<html><head><title>first parse</title></head>" + "<body><p>parsed html into a doc.</p></body></html>"; document doc = jsoup.parse(html);//分析文档,使用doc.tostring()可以转为文本 element body=doc.body();//获取body片段,使用body.tostring()可以转为文本 获取方式:1.从本地文件加载 2.根据url地址获取j**a代码 /**使用静态 jsoup.parse(file in, string charsetname, string baseuri) 方法 *其中baseuri参数用于解决文件中urls是相对路径的问题。 *如果不需要可以传入一个空的字符串。 */ file input = new file("/tmp/input.html"); document doc = jsoup.parse(input, "utf-8", ""); j**a代码 /** *根据url直接获取内容,可以加入超时,get方法不行,就用post方法 *我在实际应用中,出现404,405,504等错误信息 *将get改为post就可以,或者反过来改 *如果等以后弄明白了,再来解释清楚 */ document doc1 = jsoup.connect("").get(); string title = doc1.title(); //获取网页的标题 string content=doc1.tostring();//将网页转为文本 document doc2 = jsoup.connect("") .data("query", "j**a")//请求参数 .useragent("mozilla")//设置urer-agent .cookie("auth", "token")//设置cookie .timeout(50000)//设置连接超时 .post();//或者改为get 经过我的测试使用,jsoup分析网页结构和内容的功能远远强大于htmlparser,无论是获取整个页面的文本,还是分析特定内容的网页结构,都是十分的方便。 附上链接:jsoup官网: ,中文jsoup: 下面写些我的使用记录,希望大家如果能从我的方法中得到启发,鉴于本人从事开发工作不久,内容可能写的不是很好。 jsoup数据获取有两大方法:1.通过分析dom模型的网页标签和元素,2.select元素选择器,类似jquery方式(功能很强大,还支持正则表达式)。网页tag标签有body,div,table,tr,td,a,等等。元素的属性有,href,title,width,height,color等等,元素属性的值就是,例如:href=“”, 值就是 。width=“98%” 值就是98% 下面就以分析首页的每日资讯为例,抓取每日资讯的标题和url地址,详细写出分析步骤: 1.用chrome浏览器的元素审查,分析页面的结构,得到每日资讯是div class=<main_left>层里面2.写程序分析,首先根据url获取div文本,再来根据文本对内容进行分析j**a代码 3. 根据整个每日资讯所在的div层,获取那段内容(精确获取)j**a代码 4.根据获取的目标层得到你所要的内容(title,url地址...等等)j**a代码 5.加入main方法里面执行测试j**a代码 6.附上结束语:jsoup功能很好很强大,附上的只是简单的使用方法,还有很多需要完善的内容,我其实使用也不到几天的时间。还有就是select功能还是很好用的,具体参考官方文档,写的非常的通俗易懂感兴趣的也可以试试htmlcleaner+xpath的组合/** * @method 测试获取内容程序 */ public static void main(string[] args) throws ioexception { /** * 执行分析程序 */ string url="/"; string htmlcontent=getcontentbyjsoup(url); string divcontent=getdivcontentbyjsoup(htmlcontent); getlink**yjsoup(divcontent); } /** * 使用jsoup分析divcontent * 1.获取链接 2.获取url地址(绝对路径) */ public static void getlink**yjsoup(string divcontent){ string abs="/"; document doc=jsoup.parse(divcontent,abs); elements linkstrs=doc.getelement**ytag("li"); system.out.println("链接==="+linkstrs.size()); for(element linkstr:linkstrs){ string url=linkstr.getelement**ytag("a").attr("abs:href"); string title=linkstr.getelement**ytag("a").text(); system.out.println("标题:"+title+" url:"+url); } } /** * 使用jsoup来对文档分析 * 获取目标内容所在的目标层 * 这个目标层可以是div,table,tr等等 */ public static string getdivcontentbyjsoup(string content){ string divcontent=""; document doc=jsoup.parse(content); elements divs=doc.getelement**yclass("main_left"); divcontent=divs.tostring(); //system.out.println("div==="+divcontent); return divcontent; } /** * 根据jsoup方法获取htmlcontent * 加入简单的时间记录 * @throws ioexception */ public static string getcontentbyjsoup(string url){ string content=""; try { system.out.println("time=====start"); date startdate=new date(); document doc=jsoup.connect(url) .data("jquery", "j**a") .useragent("mozilla") .cookie("auth", "token") .timeout(50000) .get(); date enddate=new date(); long time=enddate.gettime()-startdate.gettime(); system.out.println("使用jsoup耗时=="+time); system.out.println("time=====end"); content=doc.tostring();//获取iteye网站的源码html内容 system.out.println(doc.title());//获取iteye网站的标题 } catch (ioexception e) { e.printstacktrace(); } system.out.println(content); return content; } 20210311