我正在学习使用 JSoup(慢慢地)来解析网站的源代码,但我觉得自己已经到了穷途末路的地步。也就是说,我不完全确定我应该研究哪些方法。
理论上,我想开发一个应用程序来筛选特定的搜索页面(即 Google、Monster、Craigslist、eBay 等)并提取某些数据。这些数据可能位于第一页,但也可能位于列表中的 10 多页(在 Google 中,显然可能有数百页)。无论是搜索结果 (Google)、职位发布 (Monster) 还是待售商品 (Craigslist/eBay),我该如何完成这项工作?
我直到最近才知道 JSoup。而且我并没有“坚持”使用它。但是,我的研究让我相信使用 JSoup 会给我想要的结果。所以,我正在尝试学习如何使用它来做我想做的事情。 (如果有人知道任何广泛的初学者教程,请告诉我)
那么我应该如何去做呢?我知道这是一个模糊的问题,但我有一个目标,但我不确定如何实现它。
我还考虑过使用/搜索可用的 RSS 提要(即 Craigslist)。这是否也是可能的,并且比尝试直接从站点/源代码中提取更容易或更困难?
最重要的是,如果有新信息出现(Craigslist/eBay 上出售的新元素、Monster 上的新工作等),我希望能够向用户发送通知。我知道一个单独的主题,一个我可以确定我可以确定。
提前致谢!
最佳答案
您的回答有点模糊,所以我会尽力涵盖尽可能多的内容。
Jsoup 是一个 HTML/XHTML 解析器
库。这意味着它可以向某个 url 发出 GET
或 POST
请求并获取服务器生成的内容。然后它解析此内容以使用 java 对象构建 DOM
表示形式。
问题是你的例子。您提到了 Google
和 Monster
。据我所知,这些网站使用 Ajax 来从服务器检索内容。他们使用 javascript
来生成动态内容。 Jsoup
无法处理 javascript
生成的内容。这是由于它无法执行javascript
。它当然可以“看到”它,因为它包含在服务器的响应中,但它将它视为简单的文本,而不是代码。浏览器可以处理此类内容,因为浏览器包含 javascript
执行引擎。
一般来说,从源的 API
获取内容更安全/更好/更容易。它是否提供rss feed
或API
?然后使用它。例如Google
provides a way以编程方式执行搜索查询。
如果源未提供访问它的编程方式,那么当且仅当内容是静态时,您才可以使用 Jsoup
解析内容。为了确定内容是静态的还是由 javascript
生成,请访问您要解析的网站并按 Ctrl + U。当您向网站发出请求时,HTML
的网格是 Jsoup
将收到的内容。如果其中没有包含您需要的内容,则该内容是动态的。在这种情况下,您必须使用 headless browser ,这是一个库/框架,其中包括 javacript
执行引擎。这样你就可以100%模拟浏览器了。
就教程而言,this将满足您有关 Jsoup
的所有需求。如果内容是javacript
生成的,那么你可以使用 headless 浏览器检索它,然后通过解析已经检索到的内容来使用Jsoup
,只是为了解析而不是获取内容。
我提供的 Material 足以让您继续研究。为了获得更好的信息,您必须具体说明您面临的问题。
更新
关于java - 使用 JSoup 和 Android Studio 从网站或 rss feed 收集信息,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33194023/