网页抓取小结

编程技术  /  houtizong 发布于 2年前   55

    网页抓取步骤：
     1.将页面转化为流(或字符串)
    2.将流保存为.xml文件(主要目地是为了处理中文乱码问题，xml文件为临时文件)
    3.将xml转化为流，用Jtidy进行html格式化处理，并将处理好后的流转化为dom树
    4.将dom树转化为xpath可以解析的InputSource
    5.用xpath进行解析

     代码暂不演示。
     补充：
     1.如果要使用文件保存，可利用线程名来命名文件，避免出现IO异常。另外可将流直接转化为String，再将String转化流供Jtidy处理。
     2.如果服务器为IBM AIX，则要注意啦，在此机器下虽经Jtidy处理，但是仍然有些标签不会封闭，没有封闭的标签Xpath是会出现解析异常的。
     3.AIX对某些标签的处理和windows及linux不同，需要多加注意。有些标签在windows下解析没问题，但是在AIX下就会出问题。