Java 如何使用Jsoup在单个网站上爬行?
我从一个网站主页开始。我正在解析整个网页,我正在收集该主页上的所有链接,并将它们放入队列中。然后,我从队列中删除每个链接,并执行相同的操作,直到获得所需的文本。然而,如果我得到一个像youtube.com/something这样的链接,那么我将访问youtube上的所有链接。我想限制这一点 我只想在同一个域中爬行。我该怎么做Java 如何使用Jsoup在单个网站上爬行?,java,jsoup,web-crawler,Java,Jsoup,Web Crawler,我从一个网站主页开始。我正在解析整个网页,我正在收集该主页上的所有链接,并将它们放入队列中。然后,我从队列中删除每个链接,并执行相同的操作,直到获得所需的文本。然而,如果我得到一个像youtube.com/something这样的链接,那么我将访问youtube上的所有链接。我想限制这一点 我只想在同一个域中爬行。我该怎么做 private void crawler() throws IOException { while (!q.isEmpty()){ String l
private void crawler() throws IOException {
while (!q.isEmpty()){
String link = q.remove();
System.out.println("------"+link);
Document doc = Jsoup.connect(link).ignoreContentType(true).timeout(0).get();
if(doc.text().contains("publicly intoxicated behavior or persistence")){
System.out.println("************ On this page ******************");
System.out.println(doc.text());
return;
}
Elements links = doc.select("a[href]");
for (Element link1 : links){
String absUrl = link1.attr("abs:href");
if (absUrl == null || absUrl.length() == 0) {
continue;
}
// System.out.println(absUrl);
q.add(absUrl);
}
}
}
演示如何编写web爬虫程序。下一行强制所有爬网链接位于mit.edu
域中
if(link.attr(“href”).contains(“mit.edu”)
这行代码可能有错误,因为相对URL没有域。我建议添加abs:
可能更好
if(link.attr(“abs:href”).contains(“mit.edu”))