了解Jsoup并解析51CTO博客主页中的友情链接

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：

获取Connection对象
通过Connection获取文档Document对象
根据需要解析文档

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());}}
}

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：

选择一个博客主页地址，如:http://aiilive.blog.51cto.com
通过<1>中的地址，获取到相对应的友情链接；
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：

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：

做法一：

筛选出div class;
算选出属性class的值为fiendLink box
获取<a>...</a>的HTML代码

处理<3>字符串

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);}}

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！