使用jsoup分析网页

之前用过HTMLParser，许久不更新的东西了，印象中也没那么好用。
今天重新搜索了一下，发现jsoup很容易上手~选择器很好很强大。
支持DOM和选择器两种模式

1、下载
jsoup的网站很简洁： http://jsoup.org/
入门做的很不错： http://jsoup.org/cookbook/

2、简单的例子
以下示例用于抓取iteye首页的新闻及连接，共使用了3种方式获取元素：

选择器

用组件的Id

用组件的class

package tests;

import java.io.IOException;

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

public class EgParseItEyeNews {
	public static void main(String[] args) throws IOException {
		String url = "http://www.iteye.com/";
		// 不加userAgent会被视为爬虫。。。。。
		Document doc = Jsoup.connect(url)
				.userAgent("Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1 ")
				.get();

//		Element news = doc.getElementById("news");               //1、通过ID
		Elements	newsConents=doc.getElementsByClass("news_content");//2、通过class
		Element news=newsConents.first();
		if (news == null)
			System.out.println(doc);
		else {
//			System.out.println(news);
//			System.out.println("end of news****************\n");
			Elements elems = news.select("a"); // 3、通过选择器  ，     把链接都提取出来
			for (Element element : elems) {
				System.out.println(element.text() + "             \t链接为：" + element.attr("href"));
			}
		}

	}
}

输出如下：

• 轻量级JavaWeb开发框架EWeb4J作者赖伟威专访             链接为：http://www.iteye.com/magazines/105
• [详情]             链接为：http://www.iteye.com/magazines/105
• 12月TIOBE编程语言排行榜：年度语言非ObjC莫属             链接为：http://www.iteye.com/news/26673
• [详情]             链接为：http://www.iteye.com/news/26673
• JDK6明年2月停止更新，甲骨文呼吁尽快升级至7             链接为：http://www.iteye.com/news/26683
• [详情]             链接为：http://www.iteye.com/news/26683

。。。好多重复的链接啊！！！将选择器重的代码改为：

Elements elems = news.select("dt>a"); // 3、通过选择器  ，     把链接都提取出来

使得只选择的链接为dt标签的直接子类即可去掉[详情]项，更多选项如后文所示。


3、选择器字符串的语法
这里有实例介绍： http://jsoup.org/cookbook/extracting-data/selector-syntax
用法详解： http://jsoup.org/apidocs/org/jsoup/select/Selector.html
下图是从上面的网址抠出来的：


4、在线文档
http://jsoup.org/apidocs/