1

こんにちは、ウィキペディアにパーソナリティのページがあり、メイン部分からコード HTML を Java ソースで抽出したいと考えています。

あなたはなにか考えはありますか？

4

4 に答える 4

2

Jsoup、特にセレクター構文を使用します。

Document doc = Jsoup.parse(new URL("http://en.wikipedia.org/", 10000);
Elements interestingParts = doc.select("div.interestingClass");

//get the combined HTML fragments as a String
String selectedHtmlAsString = interestingParts.html();

//get all the links
Elements links = interestingParts.select("a[href]");

//filter the document to include certain tags only
Whitelist allowedTags = Whitelist.simpleText().addTags("blockquote","code", "p");
Cleaner cleaner = new Cleaner(allowedTags);
Document filteredDoc = cleaner.clean(doc);

これは、HTMLページを解析して目的のデータを抽出するための非常に便利なAPIです。

于 2011-03-21T22:00:45.213 に答える
1

ウィキペディアには API があります: http://www.mediawiki.org/wiki/API:Main_page

于 2011-03-09T18:46:21.393 に答える
0
  • ウェブページの構造を分析する
  • JSoupを使用して HTML を解析する
于 2011-03-09T18:40:50.117 に答える
0

これは、適切にフォーマットされたコンテンツ項目ではなく、HTML ソース コードの STRING (一種の blob) を返すことに注意してください。

私はこれを自分で使用します-必要なもののために持っている小さなスニペット。URL、開始テキストと終了テキスト、またはブール値を渡してすべてを取得します。

public static String getPage(
      String url, 
      String booleanStart, 
      String booleanStop, 
      boolean getAll) throws Exception {
    StringBuilder page = new StringBuilder();
    URL iso3 = new URL(url);
    URLConnection iso3conn = iso3.openConnection();
    BufferedReader in = new BufferedReader(
        new InputStreamReader(
            iso3conn.getInputStream()));
    String inputLine;

    if (getAll) {
      while ((inputLine = in.readLine()) != null) {
        page.append(inputLine);
      }
    } else {    
      boolean save = false;
      while ((inputLine = in.readLine()) != null) {
        if (inputLine.contains(booleanStart)) 
          save = true;
        if (save) 
          page.append(inputLine);
        if (save && inputLine.contains(booleanStop)) {
          break;
        }
      }
    }
    in.close();
    return page.toString();
  }
于 2011-03-09T18:43:18.227 に答える