用JAVA解析网站HTML

我想解析一个简单的网站，并从该网站中获取信息

我曾经用DocumentBuilderFactory解析XML文件，我尝试对html文件做同样的事情，但它总是进入无限循环

    URL url = new URL("http://www.deneme.com");
    URLConnection uc = url.openConnection();

    InputStreamReader input = new InputStreamReader(uc.getInputStream());
    BufferedReader in = new BufferedReader(input);
    String inputLine;

     FileWriter outFile = new FileWriter("orhancan");
     PrintWriter out = new PrintWriter(outFile);

    while ((inputLine = in.readLine()) != null) {
        out.println(inputLine);
    }

    in.close();
    out.close();

    File fXmlFile = new File("orhancan");
    DocumentBuilderFactory dbFactory = DocumentBuilderFactory.newInstance();
    DocumentBuilder dBuilder = dbFactory.newDocumentBuilder();
    Document doc = dBuilder.parse(fXmlFile);


    NodeList prelist = doc.getElementsByTagName("body");
    System.out.println(prelist.getLength());

---

有什么问题？或者，有没有更简单的方法可以从网站中为给定的html标记刮取数据？

有一种更简单的方法可以做到这一点。我建议使用。使用JSoup，您可以执行以下操作

Document doc = Jsoup.connect("http://en.wikipedia.org/").get();
Elements newsHeadlines = doc.select("#mp-itn b a");

或者如果你想要尸体：

Elements body = doc.select("body");

或者，如果您需要所有链接：

Elements links = doc.select("body a");

---

您不再需要获取连接或处理流。简单。如果您曾经使用过jQuery，那么它与此非常相似

HTML并不总是有效的、格式良好的XML。尝试使用特殊的HTML解析器而不是XML解析器。有几种不同的方案可供选择：

---

肯定是答案。；-）

首先，谢谢大家！但是什么是#mp itn b a？#mp itn只是一个容器，带有

id=“mp itn”

请参见我的编辑。了解css选择器的工作原理会对您有很大帮助。好的，这正是我需要的，谢谢。库比原始代码更好，我会选择它。首先，您可以使用字符串而不是文件。它进入无限循环的什么地方？可能是因为url的输入流似乎没有结束，所以您遇到了这个问题。