Java 如何使用JSOUP从网站中提取主要文本并排除存档和链接到其他网页
我只知道如何提取主要文本和排除评论,但无法排除存档和链接到其他网页 这是我的代码:Java 如何使用JSOUP从网站中提取主要文本并排除存档和链接到其他网页,java,jsoup,Java,Jsoup,我只知道如何提取主要文本和排除评论,但无法排除存档和链接到其他网页 这是我的代码: package CrawlerMain; import java.io.IOException; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Node; public class MainFour { public static void main(String[] args) thr
package CrawlerMain;
import java.io.IOException;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Node;
public class MainFour {
public static void main(String[] args) throws IOException {
Document doc = Jsoup.connect("http://www.papagomo.com").get();
//get text only
removeComments(doc);
String text = doc.body().text();
System.out.println(text);
}
private static void removeComments(Node node) {
int i = 0;
while (i < node.childNodes().size()) {
Node child = node.childNode(i);
if (child.nodeName().equals("#comment"))
child.remove();
else {
removeComments(child);
i++;
}
} //To change body of generated methods, choose Tools | Templates.
}
}
package-CrawlerMain;
导入java.io.IOException;
导入org.jsoup.jsoup;
导入org.jsoup.nodes.Document;
导入org.jsoup.nodes.Node;
公共四级{
公共静态void main(字符串[]args)引发IOException{
Document doc=Jsoup.connect(“http://www.papagomo.com).get();
//仅获取文本
移除元素(doc);
字符串text=doc.body().text();
System.out.println(文本);
}
私有静态void removeComments(节点){
int i=0;
而(i
下面是一个示例,但它还不完整。您必须添加一些筛选以删除所有不需要的内容:
Document doc = Jsoup.connect("http://www.papagomo.com").get();
for( Element element : doc.select("div") ) // Select only 'div' tags
{
final String ownText = element.ownText(); // Own text of this element
if( ownText.isEmpty() )
{
continue; // Skip empty tags
}
else
{
System.out.println(ownText); // Output to see the result
}
}
请提供有关您的问题/错误的更多信息。此代码将提取文本并忽略注释框中的文本。不过,它也提取了存档框中的文本,以及发布在特定网站上的时间和日期条目。这里的问题是我不知道如何只提取正文而忽略所有内容。如果你的问题得到了回答,请接受答案()