需要htmlParser.jar。代码如下
public class GetData {
public static void main(String[] args) throws ParserException {
ArrayList<UrlEntity> result = getYellowList("http://www.71hy.com/hy-34-p1.html");
}
public static boolean getStringsByRegex(String txt, String regex) {//根据匹配规则判断是否 匹配
Pattern p = Pattern.compile(regex);
Matcher m = p.matcher(txt);
if (m.find()) {
return true;
}
return false;
}
public static ArrayList<UrlEntity> getYellowList(String url){
final ArrayList<UrlEntity> result = new ArrayList<UrlEntity>();
Parser parser = null;
NodeList nodeList = null;
try {
parser = new Parser(url);
parser.setEncoding("gb2312");//设置编码格式
nodeList = parser.parse(
new NodeFilter(){
@Override
public boolean accept(Node node) {
String regex="div class=\"box\"";// 类似 "div id=\"box\"","ulclass=\"box\""等
if(getStringsByRegex(node.getText(),regex)){//如果匹配你要的内容
try {
String html = node.toHtml();
Parser parser2 = Parser.createParser(html, "gb2312");
NodeFilter filter = new TagNameFilter("A");
// 在你需要的div 内 过滤出A 标签 返回NodeList
NodeList nodeList3 = parser2.extractAllNodesThatMatch(filter);
for (int i = 0; i<nodeList3.size(); i++) {
LinkTag tag = (LinkTag) nodeList3.elementAt(i);//将node转为相应的 标签
String des = tag.getLinkText();//获取a 标签的内容
if(!des.equals("") && (des.indexOf("[") == -1)){
UrlEntity PageData = new UrlEntity();
PageData.url = tag.getLink();//获取a 标签的href
PageData.title = tag.getAttribute("title");//根据属性获取需要的内容
PageData.description = des;
PageData.type = "Yellow";
result.add(PageData);
}
}
} catch (ParserException e) {
}
return true;
}
return false;
}
}
);
}catch (ParserException e) {
}
return result;
}
}
相关推荐
本文将详细讨论如何使用Java语言来抓取网页数据,包括两种主要方法:直接抓取原网页内容和处理网页中的JavaScript返回数据。 首先,让我们探讨**抓取原网页**的方法。在Java中,我们可以使用`java.net.URL`类来建立...
在“java抓取网页数据”这个主题中,我们将深入探讨如何利用Java来抓取并处理互联网上的信息。 首先,我们要了解什么是网络爬虫。网络爬虫(Web Crawler)是自动遍历互联网的程序,通过抓取网页内容并存储在本地,...
python爬虫,如何抓取网页数据; python爬虫,如何抓取网页数据; python爬虫,如何抓取网页数据; python爬虫,如何抓取网页数据; python爬虫,如何抓取网页数据; python爬虫,如何抓取网页数据; python爬虫,...
python爬虫抓取网页数据大作业项目代码.zippython爬虫抓取网页数据大作业项目代码.zippython爬虫抓取网页数据大作业项目代码.zippython爬虫抓取网页数据大作业项目代码.zippython爬虫抓取网页数据大作业项目代码....
### 抓取网页数据的代码及PreparedStatement的使用详解 #### 一、抓取网页数据的基本概念 抓取网页数据通常指的是使用编程手段自动地从互联网上的网页中提取所需的信息。这种技术广泛应用于搜索引擎、数据分析、...
在本文中,我们将深入探讨如何使用C#语言来抓取网页数据,特别是在彩票数据查询方面的应用。C#是一种广泛用于开发Windows应用程序、Web服务以及游戏的面向对象的编程语言,其丰富的类库和强大的功能使其成为数据抓取...
在标题提到的“蜘蛛抓取网页数据”中,我们主要关注的是使用编程语言,如C#,实现这一过程。.NET框架提供了一个强大的环境来构建这样的应用程序,而C#作为.NET平台的主要开发语言,拥有丰富的库和工具支持网页抓取。...
本教程将详细讲解如何使用CURL来抓取网页数据,并结合C++的STL字符串进行分析,最终将提取的数据写入log.txt文件。 首先,我们要了解CURL的基本用法。CURL可以用来发送HTTP请求,获取服务器的响应。例如,使用CURL...
4. **结合HttpClient和Jsoup抓取网页数据**: - 使用HttpClient发送HTTP请求,获取网页的HTML内容。 - 将HttpClient获取的HTML内容传递给Jsoup的parse方法,得到Document对象。 - 利用Jsoup的CSS选择器和数据提取...
本文将深入探讨如何使用PHP进行网页数据抓取,并结合提供的"PHP抓取网页数据代码"压缩包,解析其工作原理和应用。 首先,我们要了解网页数据抓取的基本概念。数据抓取(也称为Web抓取或网页刮取)是指从互联网上...
以下是对"java抓取网页数据实现"这一主题的详细说明。 首先,我们需要了解网页抓取的基本原理。网页抓取,也称为网络爬虫或网页刮取,是通过自动程序从互联网上收集信息的过程。这个过程通常包括发送HTTP请求到...
本篇将重点讲解如何利用HTMLParser库在Java中抓取网页数据。 HTMLParser是Java的一个开源库,专门用于解析HTML文档,提取其中的数据。它的设计目标是简化HTML解析过程,即使面对不规范的HTML代码也能有效地处理。...
### 使用VBA抓取网页数据:XMLHTTP对象详解 #### 一、引言 在日常工作中,有时我们需要从网络上自动获取数据以进行进一步的数据处理或分析。Visual Basic for Applications (VBA) 提供了一种简便的方式来实现这一...
**Jsoup:网页数据抓取与JSON转换** Jsoup是一个非常强大的...通过以上步骤,你已经掌握了使用Jsoup抓取网页数据并转化为JSON格式的基本方法。在实际应用中,可以根据需求进行定制和扩展,以满足各种复杂场景的需求。
XMLHTTP 对象在 VBA 中抓取网页数据的应用 XMLHTTP 对象是 Microsoft 提供的一种客户端同 HTTP 服务器通讯的协议示例,它可以用来抓取网页数据。在 VBA 中,我们可以使用 XMLHTTP 对象来发送请求到 HTTP 服务器,并...
本文将详细讨论如何使用PHP来抓取网页数据并将其存储到数据库中,以及这一技术在实际应用中的价值,例如抓取实时汇率信息。 首先,我们要理解PHP抓取网页数据的基本原理。这通常涉及到HTTP请求和HTML解析。PHP可以...
以下是关于如何使用Java+Jsoup抓取网页数据的详细讲解。 首先,你需要了解HTML的基础结构,因为Jsoup的工作原理是解析HTML文档并提供类似于DOM的API来操作这些文档。HTML是由标签组成的树形结构,每个标签都有属性...
本主题聚焦于如何利用Delphi来抓取122考试平台的预约学员数据,这涉及到网络编程和数据解析技术。 首先,我们需要理解Web抓取的基本概念。Web抓取,也称为网页抓取或网络爬虫,是一种自动化地从互联网上获取大量...
在本项目“正则表达式抓取网页数据制作小词典”中,我们将探讨如何利用正则表达式从网页中抓取数据,并将这些数据整理成一个小型的词典。 首先,理解正则表达式的语法是关键。它由各种特殊字符和普通字符组成,如...
WSpider, 抓取网页数据的蜘蛛项目 简介SinaWSpider:Mini爬虫爬取新浪数据,详细步骤参见新浪微博数据爬取Part 3:小爬虫的诞生SinaLogin:模拟登录新浪微博,详细步骤参见模拟新浪微博登录-原理分析到实现