如何在使用爬虫4j时解析HTML

Question

最近，我不得不用开源项目crawler4j抓取一些网站。但是，crawler4j没有提供任何api供使用。现在，我遇到了一个问题，即如何使用crawler4j提供的函数和类解析html并像使用jquery一样查找元素

Answer 1

这相对简单。以下方法对我有用。

在MyCrawler.java：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
...
public void visit(Page page) {
...
if (page.getParseData() instanceof HtmlParseData) {
                    HtmlParseData htmlParseData = (HtmlParseData) page.getParseData();
                    String html = htmlParseData.getHtml();
                    Document doc = Jsoup.parseBodyFragment(html);
...