学习Jsoup（一）

听同学说Jsoup用来做爬虫非常好用，而且它的selector几乎能够代替正则，对于苦苦学习爬虫技术的我，简直就像天上掉下的馅饼。

我现在想解决的第一个问题是，提取文章所在的地址。需要用到的技术有：

一、用正则抽取符合条件的html语句；

二、在语句中筛选出地址；

三、在语句中筛选出文章的标题。

 

解决办法：

一、使用Jsoup的selector

http://jsoup.org/apidocs/中的selector

其中这句能够解决问题

语句                                                                                                  解释                                                                                       例子

[attr~=regex]	elements with an attribute named "attr", and value matching the regular expression	img[src~=(?i)\\.(png|jpe?g)]
	The above may be combined in any order	div.header[title]

我的例子：select("a[title~=讲话]")意思是a标签后面包括了“讲话”的title。

 

二、在语句中筛选出地址

我用的是attr("href")，把href后的链接地址抓出来，用attr(abs : href )就能够得出绝对地址。

参考http://www.open-open.com/jsoup/attributes-text-html.htm

三、在语句中抓文本

用text()方法，参考如上。

今天先写到这里，大家一起讨论吧。