之前提到过，对于简单的网页结构解析，可以直接通过观察法、手工写正则解析，可以做出来，比如网易微博。但是对于结构稍微复杂点的，比如新浪微博，如果还用正则，用眼睛一个个去找，未免太麻烦了。

        本文介绍两个工具包：解析html, xml的jsoup，和读写xml的dom4j。

        工具包jsoup是解析html、xml的利器，利用jsoup可以快速读取html等规范文档格式的节点数据，比正则解析省事多了，而且自己写正则容易考虑不周导致潜在bug，也很容易出错。

        同时我们提取出来的微博数据直接存在txt文档里显得结构层次不太清晰，也可以以xml的形式输出，自定义节点，当然首先是得对xml格式有所了解，写xml文件有个工具包dom4j。

        下面仅仅给出这两个工具包在这个微博爬虫项目中使用的例子，其实这两个强大的工具包还有其他很多的用法，更多的应用详见官方说明文档。

一、jsoup解析HTML

        Jsoup是一个基于java的html解析器，可直接解析某个URL地址、HTML文本内容，其提供的API可以通过DOM, CSS,类jQuery的操作方法读取和操纵数据。

Jsoup主要功能：

1.从一个url、文件或字符串解析html。

2.使用DOM或CSS选择器查找、取出数据。

3.可以操作HTML的元素、属性、文本。

        当然jsoup比其他解析器更有优势的地方就是它的选择器功能，很多解析只要一行代码就搞定，而用其他工具包至少都要写很多行。选择器操作比如doc.select(“a[herf]”);选择器select可以选择你想要的任何元素。

 

在本项目中的代码：

public String parse(String html) {		String s = "";		Document doc = Jsoup.parse(html);		Elements userNames = doc.select("dt[class].face > a");		Elements userids = doc.select("span > a[action-data]");		Elements dates = doc.select("a[date]");		Elements tweetids = doc.select("dl[mid]");		Elements tweets = doc.select("p > em");		Elements forwardNums = doc.select("a:contains(转发)");		Elements commentNums = doc.select("a:contains(评论)");		for(Element userName : userNames) {			String attr = userName.attr("title");			s += "
    
      " + attr + " 
    ";		}		for(Element userid : userids) {			String attr = userid.attr("action-data");			attr = attr.substring(attr.indexOf("uid="));			Pattern p = Pattern.compile("[0-9]+");			Matcher m = p.matcher(attr);			if(m.find()) {				attr = m.group();			}			s += "
    
      " + attr + " 
    ";		}		for(Element date : dates) {			String attr = date.text();			s += "
    
      " + attr + " 
    ";		}		for(Element tweetid : tweetids) {			String attr = tweetid.attr("mid");			s += "
    
      " + attr + " 
    ";		}		for(Element tweet : tweets) {			String attr = tweet.text();			s += "
    
      " + attr + " 
    ";		}		for(Element forwardNum : forwardNums) {			String attr = forwardNum.text();			if(attr.equals("转发")) {				attr = "0";			}			else {				if(!attr.contains("转发(")) {					attr = "0";				}				else {					attr = attr.substring(attr.indexOf("转发(")+3, attr.indexOf(")"));				}			}			System.out.println(attr);			s += "
    
      " + attr + " 
    ";		}		for(Element commentNum : commentNums) {			String attr = commentNum.text();			if(attr.equals("评论")) {				attr = "0";			}			else {				if(!attr.contains("评论(")) {					attr = "0";				}				else {					attr = attr.substring(attr.indexOf("评论(")+3, attr.indexOf(""));				}			}			System.out.println(attr);			s += "
    
      " + attr + " 
    ";		}		//System.out.println(s);		return s;	}

二、dom4j写出微博数据到xml

        在本项目中的代码：

public void writeVector2xml(Vector
    
      vector, String saveXMLPath) throws IOException {		int vectorSize = vector.size();		String oneIniTweet;		OutputFormat format = OutputFormat.createPrettyPrint();		format.setEncoding("GB2312"); //xml被识别格式仅为gb2312,默认utf8不被识别		File f = new File(saveXMLPath);		f.createNewFile(); //先建立一个空xml文件		FileWriter fw = new FileWriter(f);		org.dom4j.Document document = DocumentHelper.createDocument(); //建document对象实例		org.dom4j.Element rootElement = document.addElement("tweets"); //节点增加方法		rootElement.addAttribute("totalNumber", String.valueOf(vectorSize)); //设置属性		for(int j=0; j
     
       "), oneIniTweet.indexOf(" "));			String userId = oneIniTweet.substring(oneIniTweet.indexOf("
      
        "), oneIniTweet.indexOf(" 
      "));			String prettyTime = oneIniTweet.substring(oneIniTweet.indexOf("
      
        "), oneIniTweet.indexOf(" 
      "));			String tweetSentence = oneIniTweet.substring(oneIniTweet.indexOf("
      
        "), oneIniTweet.indexOf(" 
      "));			org.dom4j.Element tweetElement = rootElement.addElement("tweet");			tweetElement.addAttribute("userName", userName);			tweetElement.addAttribute("userId", userId);			tweetElement.addAttribute("prettyTime", prettyTime);			tweetElement.setText(tweetSentence); // 设置节点文本内容		}		XMLWriter xw = new XMLWriter(fw, format);		xw.write(document);		xw.close();	}
     
    

写出的xml的结果：

原创文章，转载请注明出处：