使用 JSoup 抓取电子邮件和链接答案

【问题标题】：using JSoup to scrape emails and links使用 JSoup 抓取电子邮件和链接
【发布时间】：2015-05-28 01:22:04
【问题描述】：

我想使用 JSoup 提取网站的所有电子邮件地址和 URL 并将其存储在哈希集中（这样就不会重复）。我正在尝试这样做，但我不确定我到底需要在选择中输入什么，或者我是否做得对。代码如下：

Document doc = Jsoup.connect(link).get();

Elements URLS = doc.select("");
Elements emails = doc.select("");
emailSet.add(emails.toString());
linksToVisit.add(URLS.toString());

【问题讨论】：

标签： web-scraping set jsoup

【解决方案1】：

这样做：

获取 html 文档：

Document doc = Jsoup.connect(link).get();

将电子邮件提取到 HashSet 中，使用正则表达式提取页面上的所有电子邮件地址：

Pattern p = Pattern.compile("[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\\.[a-zA-Z0-9-.]+");
Matcher matcher = p.matcher(doc.text());
Set<String> emails = new HashSet<String>();
while (matcher.find()) {
   emails.add(matcher.group());
}

提取链接：

Set<String> links = new HashSet<String>();

Elements elements = doc.select("a[href]");
for (Element e : elements) {
    links.add(e.attr("href"));
}

完整且有效的代码在这里：https://gist.github.com/JonasCz/a3b81def26ecc047ceb5

现在不要成为垃圾邮件发送者！

【讨论】：

【解决方案2】：

这是我的工作解决方案，它不仅可以搜索文本，还可以搜索代码：

public Set<String> getEmailsByUrl(String url) {
    Document doc;
    Set<String> emailSet = new HashSet<>();

    try {
        doc = Jsoup.connect(url)
                .userAgent("Mozilla")
                .get();

        Pattern p = Pattern.compile("[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\\.[a-zA-Z0-9-.]+");
        Matcher matcher = p.matcher(doc.body().html());
        while (matcher.find()) {
            emailSet.add(matcher.group());
        }
    } catch (IOException e) {
        e.printStackTrace();
    }

    return emailSet;
}

【讨论】：