nutch1.7二次開(kāi)發(fā)培訓(xùn)講義之騰訊微博抓取分析_第1頁(yè)
全文預(yù)覽已結(jié)束

下載本文檔

版權(quán)說(shuō)明：本文檔由用戶(hù)提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、

騰 抓取分2、抓取頁(yè)3、URL范圍限制 4、自定析插件parse-<dependencyorg="org.jsoup"name="jsoup"<libraryname="jsoup-=StringparseText=getText(content,if(parseText!=null){text=parseText;}privateStringgetText(Contentcontent,Stringencoding)//提 內(nèi)容的CSSStringcssPath="htmlbody.apSdiv.apSwrapdiv#topWrapdiv#mainWrapper.cleardiv.maindiv.ALdiv#listWrapperul#talkList.LClidiv.msgBox try byte[]contentInOctets= InputStreamin=doc=Jsoup.parse(in,encoding, Elementselements= StringBuilderstr=new for(Elementelement: Stringtext= return}catch(Exceptione) LOG.error("Error:", return}publicstaticbyte[]readAll(InputStreamin){ByteArrayOutputStreamout=newByteArrayOutputStream();try{byte[]buffer=newfor(intn;(n=in.read(buffer))>0;){out.write(buffer,0,n);}}catch(IOExceptionex){}return}mainpublicstaticvoidmain(String[]args)throwsException{Stringurl=" InputStreamin=new byte[]bytes=Configurationconf=NutchConfiguration.create();HtmlParserparser=newHtmlParser();Parseparse=newContent(url,url,bytes,"text/html",Metadata(),System.out.println("data:"+parse.getData());S

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間，僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請(qǐng)與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論