当前位置:首页 > 开发 > 编程语言 > 编程 > 正文

网页抓取小结

发表于: 2011-10-06   作者:ctrain   来源:转载   浏览:
摘要:     网页抓取步骤:      1.将页面转化为流(或字符串)     2.将流保存为.xml文件(主要目地是为了处理中文乱码问题,xml文件为临时文件)     3.将xml转化为流,用Jtidy进行html格式化处理,并将处理好后的流转化为dom树 &nb
    网页抓取步骤:
     1.将页面转化为流(或字符串)
    2.将流保存为.xml文件(主要目地是为了处理中文乱码问题,xml文件为临时文件)
    3.将xml转化为流,用Jtidy进行html格式化处理,并将处理好后的流转化为dom树
    4.将dom树转化为xpath可以解析的InputSource
    5.用xpath进行解析

     代码暂不演示。
     补充:
     1.如果要使用文件保存,可利用线程名来命名文件,避免出现IO异常。另外可将流直接转化为String,再将String转化流供Jtidy处理。
     2.如果服务器为IBM AIX,则要注意啦,在此机器下虽经Jtidy处理,但是仍然有些标签不会封闭,没有封闭的标签Xpath是会出现解析异常的。
     3.AIX对某些标签的处理和windows及linux不同,需要多加注意。有些标签在windows下解析没问题,但是在AIX下就会出问题。

网页抓取小结

  • 0

    开心

    开心

  • 0

    板砖

    板砖

  • 0

    感动

    感动

  • 0

    有用

    有用

  • 0

    疑问

    疑问

  • 0

    难过

    难过

  • 0

    无聊

    无聊

  • 0

    震惊

    震惊

版权所有 IT知识库 CopyRight © 2009-2015 IT知识库 IT610.com , All Rights Reserved. 京ICP备09083238号