了解Jsoup并解析51CTO博客主页中的友情链接

2023-10-08 18:50
文章标签 解析 博客 51cto 了解 主页 jsoup 友情链接

本文主要是介绍了解Jsoup并解析51CTO博客主页中的友情链接，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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

  官方网站：http://jsoup.org/

Jsoup解析HTML文件基本步骤：

  1.    获取Connection对象

  2.    通过Connection获取文档Document对象

  3.    根据需要解析文档

17092613_r86U.gif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());}}
}

17092613_r86U.gif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));elseprint(" * %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) + ".";elsereturn s;}
}

   在解析51CTO博客中的友情链接的想法：

  1. 选择一个博客主页地址，如:http://aiilive.blog.51cto.com

  2. 通过<1>中的地址，获取到相对应的友情链接；

  3. 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：


17092613_3jmO.png

    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：

17092613_Qvrz.png

做法一：

  1. 筛选出div class;

  2. 算选出属性class的值为fiendLink box

  3. 获取<a>...</a>的HTML代码

  4. 处理<3>字符串

    17092613_r86U.gif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);}}

    17092613_r86U.gif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URLprivate 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Queryprivate 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

这篇关于了解Jsoup并解析51CTO博客主页中的友情链接的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

原文地址:https://blog.csdn.net/chuqu7218/article/details/100617510
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.chinasem.cn/article/167310。

相关文章

Oracle数据库常见字段类型大全以及超详细解析

Oracle数据库常见字段类型大全以及超详细解析

《Oracle数据库常见字段类型大全以及超详细解析》在Oracle数据库中查询特定表的字段个数通常需要使用SQL语句来完成,：本文主要介绍Oracle数据库常见字段类型大全以及超详细解析,文中通过... 目录前言一、字符类型（Character）1、CHAR：定长字符数据类型2、VARCHAR2：变长字符数
阅读更多...
Python将博客内容html导出为Markdown格式

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞？二、准备如何搞？三、说搞咱就搞！抓取文章提取内容构建html转存markdown
阅读更多...
使用Jackson进行JSON生成与解析的新手指南

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON（序列化）2.2 JSON 转对象（反序列化）3.
阅读更多...
Springboot @Autowired和@Resource的区别解析

Springboot @Autowired和@Resource的区别解析

《Springboot@Autowired和@Resource的区别解析》@Resource是JDK提供的注解,只是Spring在实现上提供了这个注解的功能支持,本文给大家介绍Springboot@... 目录【一】定义【1】@Autowired【2】@Resource【二】区别【1】包含的属性不同【2】@
阅读更多...
SpringCloud动态配置注解@RefreshScope与@Component的深度解析

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.
阅读更多...
Java并发编程必备之Synchronized关键字深入解析

Java并发编程必备之Synchronized关键字深入解析

《Java并发编程必备之Synchronized关键字深入解析》本文我们深入探索了Java中的Synchronized关键字,包括其互斥性和可重入性的特性,文章详细介绍了Synchronized的三种... 目录一、前言二、Synchronized关键字2.1 Synchronized的特性1. 互斥2.
阅读更多...
Java的IO模型、Netty原理解析

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容：标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO（blocking I/O）NI
阅读更多...
Python 中的异步与同步深度解析(实践记录)

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步：深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步
阅读更多...
一文带你了解SpringBoot中启动参数的各种用法

一文带你了解SpringBoot中启动参数的各种用法

《一文带你了解SpringBoot中启动参数的各种用法》在使用SpringBoot开发应用时,我们通常需要根据不同的环境或特定需求调整启动参数,那么,SpringBoot提供了哪些方式来配置这些启动参... 目录一、启动参数的常见传递方式二、通过命令行参数传递启动参数三、使用 application.pro
阅读更多...
Redis中高并发读写性能的深度解析与优化

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2