- 浏览: 96379 次
- 性别:
- 来自: 广州
最新评论
-
dragoo1:
学习了
Oracle 获取本周、本月、本季、本年的第一天和最后一天 -
wilsonchen:
楼主,谢谢分享。请教一个问题,如何做到既分页又排序呢?
java mail(接收邮件)
jsoup下载地址 http://www.jsoup.org
httpclient下载地址 http://hc.apache.org/downloads.cgi
其他jar包见附件
package jsoup; import java.io.File; import java.io.FileOutputStream; import java.io.IOException; import java.io.InputStream; import java.util.HashMap; import java.util.Map; import org.apache.commons.io.FileUtils; import org.apache.commons.io.IOUtils; import org.apache.http.HttpEntity; import org.apache.http.HttpResponse; import org.apache.http.HttpStatus; import org.apache.http.client.methods.HttpGet; import org.apache.http.impl.client.DefaultHttpClient; import org.apache.http.params.HttpProtocolParams; import org.apache.http.util.EntityUtils; import com.google.api.translate.Language; import com.google.api.translate.Translate; /** * google logo 下载程序 */ public abstract class Crawler { /** * 使用google 翻译api * * @param en * @return */ public String translateEnToCinese(String en) { Translate.setHttpReferrer("http://www.xxx.com"); try { return Translate.execute(en, Language.ENGLISH, Language.CHINESE); } catch (Exception e) { e.printStackTrace(); } return ""; } /** * 获取一个Map * * @return */ public Map<String, Object> getMap() { return new HashMap<String, Object>(0); } /** * 下载文件 * * @param url * 文件http地址 * @param dir * 目标文件 * @throws IOException */ public void downloadFile(String url, String dir) throws Exception { DefaultHttpClient httpClient = new DefaultHttpClient(); HttpProtocolParams.setUserAgent(httpClient.getParams(), "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1.9) Gecko/20100315 Firefox/3.5.9"); HttpGet httpGet = new HttpGet(); httpGet.setURI(new java.net.URI(url)); InputStream input = null; FileOutputStream output = null; try { HttpResponse response = httpClient.execute(httpGet); HttpEntity entity = response.getEntity(); input = entity.getContent(); File file = new File(dir); output = FileUtils.openOutputStream(file); IOUtils.copy(input, output); } catch (Exception e){ e.printStackTrace(); } finally { IOUtils.closeQuietly(output); IOUtils.closeQuietly(input); } } /** * 处理GET请求,返回整个页面 * * @param url * 访问地址 * @param params * 编码参数 * @return * @throws Exception */ public synchronized String doGet(String url, String... params) throws Exception { DefaultHttpClient httpClient = new DefaultHttpClient(); // 创建httpClient实例 HttpProtocolParams.setUserAgent(httpClient.getParams(), "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1.9) Gecko/20100315 Firefox/3.5.9"); String charset = "UTF-8"; if (null != params && params.length >= 1) { charset = params[0]; } HttpGet httpGet = new HttpGet(); // 创建get方法实例 String content = ""; httpGet.setURI(new java.net.URI(url)); try { HttpResponse response = httpClient.execute(httpGet); // 执行请求,得到response对象 int resStatu = response.getStatusLine().getStatusCode(); // 得到返回的状态码 if (resStatu == HttpStatus.SC_OK) { // 200正常 HttpEntity entity = response.getEntity(); // 获得相应的实体 if (entity != null) { // 使用EntityUtils的toString方法,传递默认编码,在EntityUtils中的默认编码是ISO-8859-1 content = EntityUtils.toString(entity, charset); } } } catch (Exception e) { System.out.println("访问【" + url + "】出现异常!"); e.printStackTrace(); } finally { // 关闭资源 httpGet.abort(); httpClient.getConnectionManager().shutdown(); } return content; } }
package jsoup; import java.io.File; import java.io.IOException; import java.util.ArrayList; import java.util.Date; import java.util.List; import java.util.Map; import org.apache.commons.io.FileUtils; import org.apache.commons.lang.StringUtils; import org.json.JSONArray; import org.json.JSONObject; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; /** * google logo 下载程序 */ public class GoogleLogoCrawler extends Crawler { private static final String URL = "http://www.logocollect.com/google/year.php?key=%y&page=%p"; private static final String LOGO_URL = "http://www.logocollect.com/google/"; private static final String[] YEARS = new String[] { //"1998", "1999", "2000", //"2001", "2002", "2003", "2004", "2005", "2006", "2007", "2008", "2009", "2010", "2011", "2012" }; private static final String INDEX = "http://www.logocollect.com/google/year.php?key=%y"; private static final String DIR_PATH = "D:\\googlelogos\\"; public void doStart() { JSONArray array = new JSONArray(); for (String year : YEARS) { String ind = INDEX.replaceAll("%y", year); int pageCount = getPageCount(ind); for (int i = 1; i < pageCount+1; i++) { String url = URL.replaceAll("%y", year).replaceAll("%p", i + ""); String path = year + "_" + i; start(url, array, DIR_PATH + path + "\\", path); } } try { FileUtils.writeStringToFile(new File(DIR_PATH + "json"), array.toString(), "UTF-8"); } catch (IOException e) { e.printStackTrace(); } System.out.println(array); } public int getPageCount(String url) { int pageCount = 1; try { org.jsoup.nodes.Document doc = Jsoup.connect(url).get(); String els = doc.html().toString(); int start = els.indexOf("总页数") + 4; String temp = els.substring(start); int end = temp.indexOf(","); pageCount = Integer.parseInt(els.substring(start,start+end)); System.out.println(pageCount); } catch (IOException e) { e.printStackTrace(); } return pageCount; } public void start(String url, JSONArray array, String dir, String path) { try { String content = super.doGet(url); Document doc = Jsoup.parse(content); Elements dds = doc.select(".img img"); List<Map<String, Object>> list = new ArrayList<Map<String, Object>>(0); for (int i = 0; i < dds.size(); i++) { Element img = dds.get(i); String src = img.select("img").first().attr("src"); String title = img.select("img").first().attr("title"); Map<String, Object> map = super.getMap(); map.put("url", LOGO_URL + src); map.put("title", title); list.add(map); } JSONArray tempJsonArray = new JSONArray(); for (Map<String, Object> map : list) { JSONObject jsonObject = new JSONObject(); String proxy = StringUtils.substringAfterLast(map.get("url") .toString(), "."); long date = new Date().getTime(); String name = date + "." + proxy; jsonObject.put("url", map.get("url").toString()); jsonObject.put("dir", name); jsonObject.put("title", map.get("title").toString()); // 翻译 // String dateZh = super.translateEnToCinese(map.get("date") // .toString()); // String titleZh = super.translateEnToCinese(map.get("title") // .toString()); // json.put("title_zh_cn", dateZh + " - " + titleZh); // 下载图片 super.downloadFile(map.get("url").toString(), dir + name); tempJsonArray.put(jsonObject); } array.put(new JSONObject().put(path, tempJsonArray)); } catch (Exception e) { e.printStackTrace(); } } public static void main(String[] args) throws Exception { new GoogleLogoCrawler().doStart(); } }
- other.rar (389.2 KB)
- 下载次数: 140
发表评论
-
jsoup从巨鲸批量下载迈克杰克逊的MP3歌曲
2012-03-21 14:13 1942jsoup下载地址 http://www.jsoup.org ... -
jsoup抓取其他网站的页面代码
2012-03-19 15:29 1703需要的jar包见http://you-java.iteye.c ... -
HttpClient根据jsoup解析网页
2012-03-19 12:30 6467package jsoup; import org ... -
java排序3(插入排序)
2012-03-14 10:36 1186package hello; import jav ... -
java排序2(选择排序)
2012-03-14 10:35 1199package hello; import jav ... -
java排序1(冒泡排序)
2012-03-14 10:19 1216package hello; import jav ... -
java面试题集锦
2012-03-01 16:42 1072java面试题集锦 见附件... -
java面向对象笔记
2012-02-19 16:52 1031面向对象总结 面 ...
相关推荐
**jsoup分页爬取网页** Jsoup是一个Java库,设计用于处理和解析HTML,它提供了非常方便的API,使得开发者能够轻松地提取和操作数据,就像使用DOM、CSS以及jQuery那样。在网页爬虫领域,jsoup尤其适用于抓取和分析...
用jsoup实现爬取一个完整的网站,包含网站里的所有链接内容,会另存为html到本地,js和css文件也会保存到本地,可以直接在本地打开查看一个完整的网站。...提供一个链接和保存爬取后的网页保存位置即可。
常见的Java爬虫库包括Jsoup、HttpClient、HtmlUnit等,它们各具特色,能够处理不同类型的网页内容。 ### Jsoup库解析 Jsoup是一个强大的HTML解析器,它可以帮助开发者从HTML文档中提取和操作数据。Jsoup可以连接到...
这篇博客“HttpClient Jsoup爬取天气预报”可能讲述了如何结合这两者来获取并解析网页上的天气预报信息。 首先,HttpClient允许开发者发送各种HTTP请求(如GET、POST等)到服务器,并接收响应。在爬虫应用中,通常...
jsoup 是一款Java 的HTML解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。 1. 从一个URL,文件或字符串中解析HTML; 2. 使用...
总之,HttpClient和Jsoup是Java开发者进行网页数据抓取的强大工具。HttpClient提供可靠的HTTP通信,而Jsoup则简化了HTML解析和数据提取的过程。结合两者,你可以高效地从各种网页中获取你需要的信息。在实际项目中,...
在这个“agriculture_jsoup数据爬取示例”中,我们将探讨如何利用Jsoup库来抓取猪易通网站上的数据并将其存储到本地数据库。 Jsoup是一个Java库,它提供了一个简单、方便的方式来解析HTML文档,提取和操作数据。它...
HttpClient与JSoup结合使用,可以实现更高级的网页访问和数据获取。 **结合使用JSoup和HTTPClient** 将JSoup与HTTPClient结合,可以创建一个高效且灵活的网页爬虫。首先,HTTPClient负责发起HTTP请求,获取网页的...
Java通过Jsoup爬取网页的过程可以分为几个关键步骤,包括导入必要的依赖、编写爬虫程序、执行网络请求以及解析网页内容。下面详细介绍这些知识点。 1. 导入依赖 为了使用Jsoup库进行网页爬取,首先需要在项目中添加...
在爬取网页数据时,Java提供了丰富的类库,如HttpURLConnection、HttpClient等,可以用来发送HTTP请求,获取网页内容。 HtmlUtil通常是一个自定义的工具类,用于处理HTML文档。在这个项目中,它可能包含了对HTML...
本主题主要关注如何使用`httpclient4.*`库来绕过验证码获取公司信息,以及结合`jsoup`解析静态网页信息和`htmlUnit`处理动态网站的抓取。以下是对这些知识点的详细说明: 1. **httpclient4.***: Apache HttpClient...
Java和Jsoup库在Web数据抓取中的应用广泛,它们为开发者提供了强大的工具来解析HTML文档,提取所需信息,并进一步处理这些数据。本教程将深入探讨如何使用Jsoup进行网页抓取,如何将抓取的数据存储到数据库中,以及...
在Java编程语言中,爬取网页是一项常见的任务,主要用于数据抓取、数据分析或者构建智能搜索引擎。这个名为“java爬取网页用到的一些jar”的压缩包很可能是包含了一系列用于网页抓取的Java库。这些库可以帮助开发者...
在本文中,我们将深入探讨如何使用Jsoup和HtmlUnit库来爬取并处理网页上的外币汇率信息。这两个工具是Java编程语言中的强大选择,用于网络数据抓取和页面解析。 首先,Jsoup是一个用于处理实际世界HTML的Java库。它...
本项目是一个基于安卓的简单利用jsoup爬取学校内网数据的教务系统app,设计的部分有:个人信息、课程表、考试时间、考勤信息、成绩查询、奖惩情况、开设课程、晚归违规等部分。主要思路就是利用jsoup爬数据把数据转化...
在这个"Jsoup爬取中国天气的简单实例"中,我们将深入探讨如何利用Jsoup进行网页抓取,特别是针对中国天气网站。这个实例非常适合对网络爬虫感兴趣的初学者,因为它提供了直观且易于理解的代码示例。 首先,让我们...
HTML DOM (Document Object Model) 是一种编程接口,用于表示HTML或XML文档的结构,并允许程序和脚本动态更新、添加和删除元素。DOM 把整个HTML文档解析为一个树形结构,每个节点代表文档的一部分,如元素、属性、...