0

我是 Jsoup 的新手，我想进行屏幕抓取以获取链接层次结构。我能够从第一页获取链接，但我需要知道如何更深入并获取每个链接的链接。这就是我到目前为止所拥有的。它打印出所有 URL，但我想更深入地打印每个 URL，或者如果它太多，至少我想选择一个 URL 示例“* a: http://www.w3schools.com/html/ default.asp (Learn HTML)" 它是从输出和打印它的所有子 URL。

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

import java.io.IOException;

/**
 * Example program to list links from a URL.
 */
public class ListLinks {
    public static void main(String[] args) throws IOException {

    String url = "http://www.w3schools.com/";
    print("Fetching %s...", url);

    Document doc = Jsoup.connect(url).get();
    Elements links = doc.getElementsByTag("a");


    print("\nLinks: (%d)", links.size());
    for (Element link : links) {
       print(" * a: <%s>  (%s)", link.absUrl("href") /*link.attr("href")*/, trim(link.text(), 35));     
    }
    }

    private static void print(String msg, Object... args) {
    System.out.println(String.format(msg, args));
    }

    private static String trim(String s, int width) {
    if (s.length() > width)
        return s.substring(0, width-1) + ".";
    else
        return s;
    }
}

输出：

Fetching http://www.w3schools.com/...

Links: (127)
 * a: <>  ()
 * a: <http://www.w3schools.com/html/default.asp>  (Learn HTML)
 * a: <http://www.w3schools.com/html/html5_intro.asp>  (Learn HTML5)
 * a: <http://www.w3schools.com/css/default.asp>  (Learn CSS)
 * a: <http://www.w3schools.com/css3/default.asp>  (Learn CSS3)
     ...
     ...

还有更多网址，但我不想全部显示

4

1 回答 1

0

您可以迭代每个子 URI 并创建一个新的 JSOUP 文档，然后收集所有子链接

示例伪代码：

download(String toplevelURI, int level) {
  if (level > MAX_LEVEL) {
    return; //termination condition
  }
  Document doc = Jsoup.connect(url).get();
  Elements links = doc.getElementsByTag("a");
  for (Element link : links) {
     String url = link.absUrl("href");
     link.add(url); //store the current level of link
     download(url, level++); //get all children of current link
  }
}

需要注意的事情很少

  • 直到您要下载的深度（MAX_DEPTH）
  • 链接需要存储在树结构中以保持父链接/子链接关系
  • 代码首先进行深度，即它将跟随一个链接，直到它到达没有链接的页面或达到 MAX_DEPTH。尝试改变它，所以它的深度首先
于 2013-06-14T05:25:55.390 回答