Jsoup解析HTML标签页

问题描述：

我想解析页面（任何页面动态解析器）。 code isJsoup解析HTML标签页

Elements title = doc.select("title"); 
Elements metades = doc.select("meta[name=description]");

正如你所看到的，我想提取标题标签。

这是工作的罚款在大约每一个网站例如hinddroid.com 但它不能从google.com解析名称和youtube.com 我认为这是由于两个标记之间没有空格。大多数大网站在html中都没有空间来节省带宽。请建议我 - 我想从网站解析HTML。

全码：

import java.io.*; 
import javax.servlet.*; 
import javax.servlet.http.*; 
import java.sql.*; 
import java.util.regex.*; 

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

public class post_link extends HttpServlet 
{ 
@Override 
public void doGet(HttpServletRequest request, HttpServletResponse response) 
throws IOException, ServletException 
{ 

response.setContentType("text/html"); 
PrintWriter out = response.getWriter(); 

try 
{ 
//out.println("<link rel=\"stylesheet\" type=\"text/css\" href=\"style.css\" /><script src=\"http://ajax.aspnetcdn.com/ajax/jQuery/jquery-1.6.3.min.js\"></script><script src=\"jquery-social.js\"></script>"); 
String linktopro = "http://"+request.getParameter("link_topro"); 
//String linktopro = "http://hinddroid.com"; 
Document doc = Jsoup.connect(linktopro).userAgent("Mozilla/5.0 (Windows; U; WindowsNT 5.1; en-US; rv1.8.1.6) Gecko/20070725 Firefox/2.0.0.6").timeout(3000).get(); 
Elements png = doc.select("img[src]"); 
Elements title = doc.select("title:first-child"); 
//Elements title = doc.title(); 
Elements metades = doc.select("meta[name=description]"); 
Pattern p1 = Pattern.compile("http://.*|.com*?.(com)"); 

out.println("<script> var myCars=new Array("); 

for(Element pngs : png) 
{ 
Matcher m1 = p1.matcher(pngs.attr("src")); 
boolean url = m1.matches(); 
String baseurl = ""; 
//out.println(url+""); 
if(url) 
{ baseurl = ""; } 
else 
{ baseurl = linktopro; } 

out.println("\""+baseurl+""+pngs.attr("src")+"\","); 
} 
out.println("\"\""); 
out.println(");</script>"); 

String outlink = "<div class=\"linkembox\">"+ 
"<div class=\"linkembox-img\">"+ 
"<img src=\"http://hinddroid.com/img/logo.gif\" width=\"150\" height=\"120\" />"+ 
"<br/><div id=\"linkimg-left\"><</div><div id=\"linkimg-right\">></div>"+ 
"</div>"+ 
"<div class=\"linkembox-text\">"+ 
"<div class=\"h\">"+title.html()+"</div><br/>"+ 
"<div class=\"h1\">"+metades.attr("content")+"</div>"+ 
"</div>"+ 
"</div>"; 
out.println(outlink); 
out.print("<script> left(myCars); </script>"); 




} 
catch(Exception ex) 
{ 
out.print(ex); 
} 
finally 
{ 
out.close(); 
} 

} 


}

Jsoup应该处理任何格式良好的文档。它不应该失败解析从谷歌和YouTube的标题。粘贴你的完整代码，以便我可以帮助你。 – deadlock 2013-02-28 08:47:51

获得页面后，'doc.title（）'应该可以正常工作来获取页面的标题。 – Shoshi 2013-02-28 08:55:16

亲爱的死锁请查看代码和shoshi我要试试你的解决方案 – 2013-02-28 09:23:03

答

我执行选择，它的罚款。完全没问题！

public static void main(String[] args) throws IOException 
{ 
    Document doc = Jsoup.connect("http://facebook.com").get(); 

    System.out.println("Title: " + doc.title()); 
    System.out.println("Meta Description: " + doc.select("meta[name=description]").first().attr("content")); 

}

随着google.com，你只能得到<title>，不<meta name=description...因为它不是在HTML源代码。

Jsoup解析HTML标签页

相关推荐