jsoup解析html/根据关键词拿到论坛帖子信息

            以论坛《宽带山》为例，需要根据给定的关键词，取得关于该关键词的所有帖子，包括人气数，发帖主题，回复数，发表人，发表时间，帖子链接，帖子详细文本内容等。

 

            详细代码如下：

import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class KeyWordsSearchUtil {

	/**
	 * 根据关键词查询论坛所需信息map
	 * @param KeyWord  传入关键词
	 * @return
	 */
	public static List<Map<String, Object>> findByKeyWord(String KeyWord) {
		
		List<Map<String, Object>>postsList=new ArrayList<Map<String,Object>>();
		Map<String, Object>postsOneMap=null;
		try {
			Document doc = Jsoup.connect("http://club.pchome.net/forum_1_15____md__1_"+java.net.URLEncoder.encode(KeyWord,"utf-8")+".html")
			  .data("query", "Java")
			  .userAgent("Mozilla")
			  .cookie("auth", "token")
			  .timeout(10000)
			  .ignoreHttpErrors(true)
			  .post();
			
			Elements postsLs=doc.select("li.i2").not(".h-bg");
			if (postsLs!=null&&postsLs.size()>0) {
				for (Element childPost : postsLs) {
					postsOneMap=new HashMap<String, Object>();
					postsOneMap.put("postsPopularity", childPost.select("li > span.n2").first().text());
					postsOneMap.put("postsTitle", childPost.select("span.n3 > a").attr("title"));
					postsOneMap.put("postsFloor", childPost.select("span.n4").first().text());
					postsOneMap.put("postsCname", childPost.select("a.bind_hover_card").first().text());
					postsOneMap.put("postsCtime", childPost.select("li > span.n6").first().text());
					postsOneMap.put("postsUrl", "http://club.pchome.net"+childPost.select("span.n3  a").attr("href"));
					postsOneMap.put("postsContents", getContentsByUrl("http://club.pchome.net"+childPost.select("span.n3  a").attr("href")));
					
					postsList.add(postsOneMap);
				}
			}
		} catch (Exception e) {
			e.printStackTrace();
		}
		
		return postsList;
	}
	
	/**
	 * 根据帖子的url获取帖子的文本内容
	 * @param url 帖子的路径
	 * @return
	 */
	public static String getContentsByUrl(String url) {
		String contents="11";
		try {
			Document doc = Jsoup.connect(url)
			  .data("query", "Java")
			  .userAgent("Mozilla")
			  .cookie("auth", "token")
			  .timeout(10000)
			  .ignoreHttpErrors(true)
			  .post();
			
			if(doc.select("div.mc").first()!=null){
				Element contentsEle=doc.select("div.mc div").first();
				contents=contentsEle.select("div").first().text();
				if (contents.contains("[向左转]  [向右转]  [原图]")) {
					contents=contents.replace("[向左转]  [向右转]  [原图]", "");
				}
			}
		} catch (Exception e) {
			e.printStackTrace();
		}
		return contents;
	}
	
	public static void main(String[] args) throws Exception {
		List<Map<String, Object>>postsList=KeyWordsSearchUtil.findByKeyWord("电影");
		System.out.println("http://club.pchome.net/forum_1_15____md__1_"+java.net.URLEncoder.encode("电影","utf-8")+".html");
		System.out.println(postsList.size()+"/////");
		for (int i = 0; i < postsList.size(); i++) {
			for(Map.Entry<String, Object>entry:postsList.get(i).entrySet()){
				System.out.println("key="+entry.getKey()+"| value="+entry.getValue());
			}
			System.out.println("-----------------");
		}
		//http://club.pchome.net/thread_1_15_7519679.html
//		String str=getContentsByUrl("http://club.pchome.net/thread_1_15_7519679.html");
//		System.out.println(str);
	}
}

                      

                            以上代码能成功抓取宽带山论坛中，关键词为：电影 的相关帖子列表，main方法中已有测试，网络畅通下可测试通过。但上面代码仅为完成功能，性能较差，项目中需重写或优化

评论

1 楼 muscle1990 2013-04-21  

LZ威武霸气啊！！！学习了