期末要做一个JAVA爬虫，已经可以抓取html文件了，但是我希望可以抓去页面的文章标题和内容就好了，请教下要怎么处理比较好，难道一定要自己写正则表达式？
This topic created in 4897 days ago, the information mentioned may be changed or developed.
 |
germJun 6, 2013
1
jsoup可以看下
|
 |
3
|
1 |
tititakeJun 7, 2013
4
用过这个 http://nekohtml.sourceforge.net/ 不知道是不是最方便的。
|
 |
TheManJun 7, 2013 via Android
5
嗯，正则写的话有些麻烦，可以看这个例子，不错
|
|
6
可以看下这个例子：http://usejava.iteye.com/blog/724177
ps:正则表达式熟练掌握了的话，好处多多 |
 |
jjlovegrapeJun 7, 2013
7
LZ可以考虑用Node + jsdom插件 + jquery,处理Html应该会方便一点。
|
 |
8
@jjlovegrape jquery不懂啊，jsoup可以做简单的处理，昨晚写完已经把 http://udpwork.com 上面的文章都爬完了，但是感觉处理的不太好，换一个网站就要改蛮多内容的吧，还要努力
|
 |
ttskymJun 9, 2013
10
jsoup+正则。http://www.open-open.com/jsoup/
|
 |
11
@jjlovegrape 如果dom有地方由javascript生成的，jsdom就不行了。用phantomjs可以完美解决。
|
|
jjlovegrapeJun 9, 2013
12
@seeker good，感谢分享。taobao好像用Node写过一个页面自动化测试工具，猜测是不是基于类似的？
|
|
seekerJun 9, 2013
13
@jjlovegrape 不清楚哎。不过phantomjs跟node不是一回事哦。
|
 |
14
可以使用jsoup，或者htmlcleaner(可用xpath)。一定程度的智能化的也可以做到的，标题可以直接用<title>标签加上后缀去重，内容可以用readability技术（http://en.wikipedia.org/wiki/Readability）。我写过一个爬虫框架，其中有比较粗糙的readability实现(https://github.com/code4craft/webmagic/blob/master/webmagic-core/src/main/java/us/codecraft/webmagic/selector/SmartContentSelector.java)。这里有篇博客，关于如何使用的：http://my.oschina.net/flashsword/blog/136846。感兴趣的可以一起改进一下。
|
|
15
@code4craft 谢了！写的不错
|
Select Language