在java中提取页面的主要部分答案

【问题标题】：extract the main part of a page in java在java中提取页面的主要部分
【发布时间】：2011-03-09 18:38:25
【问题描述】：

你好我在维基百科中有一个个性页面，我想用 java 源代码从主要部分提取代码 HTML。

你有什么想法吗？

【问题讨论】：

特别是关于维基百科：有一个 API。如果您不想使用它，您至少应该调用页面like this 以减少传输大小。

【解决方案1】：

使用 Jsoup，特别是 selector syntax。

Document doc = Jsoup.parse(new URL("http://en.wikipedia.org/", 10000);
Elements interestingParts = doc.select("div.interestingClass");

//get the combined HTML fragments as a String
String selectedHtmlAsString = interestingParts.html();

//get all the links
Elements links = interestingParts.select("a[href]");

//filter the document to include certain tags only
Whitelist allowedTags = Whitelist.simpleText().addTags("blockquote","code", "p");
Cleaner cleaner = new Cleaner(allowedTags);
Document filteredDoc = cleaner.clean(doc);

它是一个非常有用的 API，用于解析 HTML 页面和提取所需数据。

【讨论】：

【解决方案2】：

对于维基百科有 API：http://www.mediawiki.org/wiki/API:Main_page

【讨论】：

【解决方案3】：

分析网页结构
使用JSoup解析HTML

【讨论】：

这样做可能不合法

【解决方案4】：

请注意，这会返回 HTML 源代码的 STRING（某种类型的 blob），而不是格式良好的内容项。

我自己用这个 - 我有一点 sn-p 来满足我的需要。传入 url、任何开始和停止文本或布尔值以获取所有内容。

public static String getPage(
      String url, 
      String booleanStart, 
      String booleanStop, 
      boolean getAll) throws Exception {
    StringBuilder page = new StringBuilder();
    URL iso3 = new URL(url);
    URLConnection iso3conn = iso3.openConnection();
    BufferedReader in = new BufferedReader(
        new InputStreamReader(
            iso3conn.getInputStream()));
    String inputLine;

    if (getAll) {
      while ((inputLine = in.readLine()) != null) {
        page.append(inputLine);
      }
    } else {    
      boolean save = false;
      while ((inputLine = in.readLine()) != null) {
        if (inputLine.contains(booleanStart)) 
          save = true;
        if (save) 
          page.append(inputLine);
        if (save && inputLine.contains(booleanStop)) {
          break;
        }
      }
    }
    in.close();
    return page.toString();
  }

【讨论】：