Java 我可以用jsoup做屏幕刮片吗

我是Jsoup的新手，我想做一个屏幕抓取来获得链接的层次结构。我能够从第一页获得链接，但我需要知道如何才能更深入地获得每个链接的链接。这就是我目前所拥有的。它打印出所有的URL，但我想更深入地打印每个URL，或者如果它太多，至少我想选择一个URL示例*a：从输出中学习HTML，并打印其所有子URL

import org.jsoup.Jsoup;
import org.jsoup.helper.Validate;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.IOException;

/**
 * Example program to list links from a URL.
 */
public class ListLinks {
    public static void main(String[] args) throws IOException {

    String url = "http://www.w3schools.com/";
    print("Fetching %s...", url);

    Document doc = Jsoup.connect(url).get();
    Elements links = doc.getElementsByTag("a");


    print("\nLinks: (%d)", links.size());
    for (Element link : links) {
       print(" * a: <%s>  (%s)", link.absUrl("href") /*link.attr("href")*/, trim(link.text(), 35));     
    }
    }

    private static void print(String msg, Object... args) {
    System.out.println(String.format(msg, args));
    }

    private static String trim(String s, int width) {
    if (s.length() > width)
        return s.substring(0, width-1) + ".";
    else
        return s;
    }
}

输出：

Fetching http://www.w3schools.com/...

Links: (127)
 * a: <>  ()
 * a: <http://www.w3schools.com/html/default.asp>  (Learn HTML)
 * a: <http://www.w3schools.com/html/html5_intro.asp>  (Learn HTML5)
 * a: <http://www.w3schools.com/css/default.asp>  (Learn CSS)
 * a: <http://www.w3schools.com/css3/default.asp>  (Learn CSS3)
     ...
     ...

---

有更多的URL，但我不想全部显示它们

您可以迭代每个子URI，创建一个新的JSOUP文档，然后收集所有子链接

伪代码示例：

download(String toplevelURI, int level) {
  if (level > MAX_LEVEL) {
    return; //termination condition
  }
  Document doc = Jsoup.connect(url).get();
  Elements links = doc.getElementsByTag("a");
  for (Element link : links) {
     String url = link.absUrl("href");
     link.add(url); //store the current level of link
     download(url, level++); //get all children of current link
  }
}

没有什么事情需要处理

直到您要下载的最大深度 链接需要存储在树结构中，以保持父链接/子链接关系 代码执行深度优先，即它将跟随链接，直到到达没有链接的页面或达到最大深度。尝试改变它，使其深度优先