关于JAVA爬虫页面内容的处理

[Linxing]

期末要做一个JAVA爬虫，已经可以抓取html文件了，但是我希望可以抓去页面的文章标题和内容就好了，请教下要怎么处理比较好，难道一定要自己写正则表达式？

[saggit]

jsoup可以看下

[Linxing]

@saggit 恩，爬链接已经用jsoup了，但是对于某些网站的html标签还是处理的不是很好，

[zoran]

可以参考这个 https://github.com/zhuoran/crawler4j

[tititake]

用过这个 http://nekohtml.sourceforge.net/ 不知道是不是最方便的。

[TheMan]

嗯，正则写的话有些麻烦，可以看这个例子，不错

[TheMan]

可以看下这个例子：http://usejava.iteye.com/blog/724177
ps:正则表达式熟练掌握了的话，好处多多

[jjlovegrape]

LZ可以考虑用Node + jsdom插件 + jquery,处理Html应该会方便一点。

[Linxing]

@jjlovegrape jquery不懂啊，jsoup可以做简单的处理，昨晚写完已经把 http://udpwork.com 上面的文章都爬完了，但是感觉处理的不太好，换一个网站就要改蛮多内容的吧，还要努力

[Linxing]

@tititake 学校网络太渣了，sourceforge进不去..

[ttskym]

jsoup+正则。http://www.open-open.com/jsoup/

[seeker]

@jjlovegrape 如果dom有地方由javascript生成的，jsdom就不行了。用phantomjs可以完美解决。

[jjlovegrape]

@seeker good，感谢分享。taobao好像用Node写过一个页面自动化测试工具，猜测是不是基于类似的？

[seeker]

@jjlovegrape 不清楚哎。不过phantomjs跟node不是一回事哦。

[code4craft]

可以使用jsoup，或者htmlcleaner(可用xpath)。一定程度的智能化的也可以做到的，标题可以直接用<title>标签加上后缀去重，内容可以用readability技术（http://en.wikipedia.org/wiki/Readability）。我写过一个爬虫框架，其中有比较粗糙的readability实现(https://github.com/code4craft/webmagic/blob/master/webmagic-core/src/main/java/us/codecraft/webmagic/selector/SmartContentSelector.java)。这里有篇博客，关于如何使用的：http://my.oschina.net/flashsword/blog/136846。感兴趣的可以一起改进一下。

[Linxing]

@code4craft 谢了！写的不错