问题标签 [jsoup]

好吧，我非常想弄清楚如何从网页中提取信息，并将其带入我的程序（在 Java 中）。

例如，如果我知道我想从中获取信息的确切页面，为了简单起见，百思买商品页面，我如何从该页面获取我需要的适当信息？喜欢标题，价格，描述？

这个过程甚至会被称为什么？我什至不知道要开始研究这个。

编辑：好的，我正在对 JSoup（BalusC 发布的那个）进行测试，但我不断收到此错误：

我确实有 Apache Commons

我正在使用一个名为 Jsoup 的 HTML 解析器来加载和解析 HTML 文件。问题是我正在抓取的网页ISO-8859-1在 Android 使用UTF-8编码（？）时以字符集编码。这导致某些字符显示为问号。

所以现在我想我应该将字符串转换为 UTF-8 格式。

现在我在 Android SDK 中找到了这个名为CharsetEncoder的类，我想这对我有帮助。但是我不知道如何在实践中实现它，所以我想知道是否可以通过一个实际的例子来获得帮助。

更新：读取数据的代码（Jsoup）

我需要使用 jsoup 从此 html 中提取图像标签

我需要提取这个 img 标签的 src ...我正在使用这个代码我得到空值

如何从这个html中提取标签

如何使用 jsoup 提取此 html 代码中的 5 和 8....请帮助我

我如何从这个html标签中提取值示例和示例1..使用jsoup ..

我正在构建一个从网页中抓取信息的应用程序。为此，我选择使用名为Jsoup的 html 抓取工具，因为它使用起来非常简单。Jsoup 也依赖于 Apache Commons Lang 库。（它们总共构成 385kB ）。所以 Jsoup 将用于下载页面并解析它。

我的问题是，如果使用这些简化库而不是使用 Android 内置库，是否会使我的应用程序变慢？（在下载数据和解析方面）。

我在想内部库会针对 Android 进行优化。

伙计们，在上面的程序中，在执行时我发现了这些错误。如何解决？我已经在我的文件夹位置下载了 Jsoup.jar 文件。我还应该做什么？

我的任务是找到给定链接的实际新闻稿链接。比如说http://www.apple.com/pr/。

我的工具必须从上述 URL 中单独找到新闻稿链接，不包括在该站点中找到的其他广告链接、标签链接（或其他任何内容）。

开发了下面的程序，结果是给定网页中存在的所有链接。

如何修改以下程序以仅从给定 URL 中找到新闻稿链接？另外，我希望该程序具有通用性，以便它可以识别来自任何新闻稿 URL（如果给出）的新闻稿链接。

如何使用 java 使用 jsoup 仅解析网页中的文本？

我需要将 HTML 转换为纯文本。我对格式的唯一要求是在纯文本中保留新行。新行不仅应该在 的情况下显示，<br>而且其他标签也应该显示，例如<tr/>，</p>也导致新行。

用于测试的示例 HTML 页面是：

• http://www.particle.kth.se/~lindsey/JavaCourse/Book/Part1/Java/Chapter09/scannerConsole.html
• http://www.javadb.com/write-to-file-using-bufferedwriter

请注意，这些只是随机 URL。

我已经尝试了这个 StackOverflow 问题的答案中提到的各种库（JSoup、Javax.swing、Apache utils），以将 HTML 转换为纯文本。

使用 JSoup 的示例：

HTMLEditorKit 示例：