【java】微博爬虫(四):数据处理——jsoup工具解析html、dom4j读写xml

最后更新于:2022-04-01 23:02:33

之前提到过,对于简单的网页结构解析,可以直接通过观察法、手工写正则解析,可以做出来,比如网易微博。但是对于结构稍微复杂点的,比如新浪微博,如果还用正则,用眼睛一个个去找,未免太麻烦了。 本文介绍两个工具包:解析html, xml的jsoup,和读写xml的dom4j。 工具包jsoup是解析html、xml的利器,利用jsoup可以快速读取html等规范文档格式的节点数据,比正则解析省事多了,而且自己写正则容易考虑不周导致潜在bug,也很容易出错。 同时我们提取出来的微博数据直接存在txt文档里显得结构层次不太清晰,也可以以xml的形式输出,自定义节点,当然首先是得对xml格式有所了解,写xml文件有个工具包dom4j。 下面仅仅给出这两个工具包在这个微博爬虫项目中使用的例子,其实这两个强大的工具包还有其他很多的用法,更多的应用详见官方说明文档。 ##一、jsoup解析HTML Jsoup是一个基于java的html解析器,可直接解析某个URL地址、HTML文本内容,其提供的API可以通过DOM, CSS,类jQuery的操作方法读取和操纵数据。 Jsoup主要功能: 1.从一个url、文件或字符串解析html。 2.使用DOM或CSS选择器查找、取出数据。 3.可以操作HTML的元素、属性、文本。 当然jsoup比其他解析器更有优势的地方就是它的**选择器**功能,很多解析只要一行代码就搞定,而用其他工具包至少都要写很多行。选择器操作比如doc.select(“a[herf]”);选择器select可以选择你想要的任何元素。 在本项目中的代码: ~~~ public String parse(String html) { String s = ""; Document doc = Jsoup.parse(html); Elements userNames = doc.select("dt[class].face > a"); Elements userids = doc.select("span > a[action-data]"); Elements dates = doc.select("a[date]"); Elements tweetids = doc.select("dl[mid]"); Elements tweets = doc.select("p > em"); Elements forwardNums = doc.select("a:contains(转发)"); Elements commentNums = doc.select("a:contains(评论)"); for(Element userName : userNames) { String attr = userName.attr("title"); s += " " + attr + " "; } for(Element userid : userids) { String attr = userid.attr("action-data"); attr = attr.substring(attr.indexOf("uid=")); Pattern p = Pattern.compile("[0-9]+"); Matcher m = p.matcher(attr); if(m.find()) { attr = m.group(); } s += " " + attr + " "; } for(Element date : dates) { String attr = date.text(); s += " " + attr + " "; } for(Element tweetid : tweetids) { String attr = tweetid.attr("mid"); s += " " + attr + " "; } for(Element tweet : tweets) { String attr = tweet.text(); s += " " + attr + " "; } for(Element forwardNum : forwardNums) { String attr = forwardNum.text(); if(attr.equals("转发")) { attr = "0"; } else { if(!attr.contains("转发(")) { attr = "0"; } else { attr = attr.substring(attr.indexOf("转发(")+3, attr.indexOf(")")); } } System.out.println(attr); s += " " + attr + " "; } for(Element commentNum : commentNums) { String attr = commentNum.text(); if(attr.equals("评论")) { attr = "0"; } else { if(!attr.contains("评论(")) { attr = "0"; } else { attr = attr.substring(attr.indexOf("评论(")+3, attr.indexOf("")); } } System.out.println(attr); s += " " + attr + " "; } //System.out.println(s); return s; } ~~~ ##二、dom4j写出微博数据到xml 在本项目中的代码: ~~~ public void writeVector2xml(Vector vector, String saveXMLPath) throws IOException { int vectorSize = vector.size(); String oneIniTweet; OutputFormat format = OutputFormat.createPrettyPrint(); format.setEncoding("GB2312"); //xml被识别格式仅为gb2312,默认utf8不被识别 File f = new File(saveXMLPath); f.createNewFile(); //先建立一个空xml文件 FileWriter fw = new FileWriter(f); org.dom4j.Document document = DocumentHelper.createDocument(); //建document对象实例 org.dom4j.Element rootElement = document.addElement("tweets"); //节点增加方法 rootElement.addAttribute("totalNumber", String.valueOf(vectorSize)); //设置属性 for(int j=0; j "), oneIniTweet.indexOf(" ")); String userId = oneIniTweet.substring(oneIniTweet.indexOf(" "), oneIniTweet.indexOf(" ")); String prettyTime = oneIniTweet.substring(oneIniTweet.indexOf(" "), oneIniTweet.indexOf(" ")); String tweetSentence = oneIniTweet.substring(oneIniTweet.indexOf(" "), oneIniTweet.indexOf(" ")); org.dom4j.Element tweetElement = rootElement.addElement("tweet"); tweetElement.addAttribute("userName", userName); tweetElement.addAttribute("userId", userId); tweetElement.addAttribute("prettyTime", prettyTime); tweetElement.setText(tweetSentence); // 设置节点文本内容 } XMLWriter xw = new XMLWriter(fw, format); xw.write(document); xw.close(); } ~~~ 写出的xml的结果: ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-02-18_56c5641c73d3b.jpg) 原创文章,转载请注明出处:[http://blog.csdn.net/dianacody/article/details/39716637](http://blog.csdn.net/dianacody/article/details/39716637)
';