java+Jsoup 正则过滤html网页标签【多线程数据采集之二】

ava采集数据，获取了 html整个文本之后。 

该考虑的是如何过滤掉html标签， 得到自己所需要的重要数据了。

实现方法有多种办法，第一：用正则，第二：用第三方jar包，其实本质也是封装了正则表达式

今天就以 Jsoup 第三方jar包来讲解。

jsoup详细资料：http://blog.csdn.net/yjflinchong/article/details/7743995

转载注明出处：http://blog.csdn.net/column/details/threadgrab.html

现在贴上一个网页过滤的方法实例

[java] view plaincopy

1. //门票浏览  url参数 http://www.lvmama.com/dest/lantiancheng  
2.     public static DataBean getWebData1(String url){  
3.         DataBean data = null;  
4.         try {  
5.             Document docdata = Jsoup.connect(url).timeout(20000).get();  
6.             String id = ".quick-menu .last a";  
7.             String city = ".proDetail a";  
8.             String title = ".proDetail h1";  
9.             String content = "#Introduction";  
10.             Elements ele = docdata.select(city);  
11.             city = (ele.text());   
12.             ele = docdata.select(title);  
13.             title = (ele.text()).replace("<", "").replace(">", "").replace("\\/", "");  
14.             ele = docdata.select(content);  
15.             content = (ele.text());  
16.             ele = docdata.select(id);  
17.             String[] idary = ele.attr("href").split("\\/");  
18.             id = idary[idary.length-1];  
19.             String type = "景点门票";  
20.   
21.             List<String> images = new ArrayList<String>();  
22.             data = new DataBean(id,title,url,content,type,city,images);  
23.             Dom4jUtil.createFile("data/["+type+"]"+title+".xml", Dom4jUtil.createDocument(data));  
24.               
25.             type = "景点评论";  
26.             content = ".userComments dl dd:eq(3)";  
27.             ele = docdata.select(content);  
28.             content = "";  
29.             int i = 1;  
30.             for (Element el : ele) {  
31.                 content += ("|第"+i+":"+el.text());  
32.                 i++;  
33.             }  
34.             data = new DataBean(id,title,url,content,type,city,images);  
35.             //用xml存储数据  
36.             Dom4jUtil.createFile("data/["+type+"]"+title+".xml", Dom4jUtil.createDocument(data));  
37.         } catch (Exception e) {  
38.             e.printStackTrace();  
39.         }  
40.         return data;  
41.     }  

整个过程分为几部

1、 获取页面的节点对象

[java] view plaincopy

1. Document docdata = Jsoup.connect(url).timeout(20000).get();  

七七八八网http://www.qi788.com

2、创建选择器，选择页面节点对象的 text 或 html  。 选择方式跟jquery非常类似。

例如：

String title = ".proDetail h1";

ele = docdata.select(title);

这个就是用来选择 class = proDetail  下  h1 标签的对象。通过  ele.text()   就得到了标签中的文本。

[java] view plaincopy

1. Document docdata = Jsoup.connect(url).timeout(20000).get();  
2.             String id = ".quick-menu .last a";  
3.             String city = ".proDetail a";  
4.             String title = ".proDetail h1";  
5.             String content = "#Introduction";  
6.             Elements ele = docdata.select(city);  
7.             city = (ele.text());   
8.             ele = docdata.select(title);  
9.             title = (ele.text()).replace("<", "").replace(">", "").replace("\\/", "");  
10.             ele = docdata.select(content);  
11.             content = (ele.text());  
12.             ele = docdata.select(id);  
13.             String[] idary = ele.attr("href").split("\\/");  
14.             id = idary[idary.length-1];  

3、通过获取的数据，构造java数据对象 。 然后存入xml或txt文件。 如果有需要也可以存入数据库啦。

[java] view plaincopy

1. String type = "景点门票";  
2.   
3.             List<String> images = new ArrayList<String>();  
4.             data = new DataBean(id,title,url,content,type,city,images);  
5.             Dom4jUtil.createFile("data/["+type+"]"+title+".xml", Dom4jUtil.createDocument(data));  

走完这3部，就算是从html源代码文件中取到了 我们需要的数据了。

转载注明出处：http://blog.csdn.net/yjflinchong

java采集数据过滤html标签，获取指定数据，就搞定了