亚洲在线久爱草,狠狠天天香蕉网,天天搞日日干久草,伊人亚洲日本欧美

為了賬號安全,請及時綁定郵箱和手機立即綁定
已解決430363個問題,去搜搜看,總會有你想問的

JSOUP 僅抓取子頁面/無外部鏈接

JSOUP 僅抓取子頁面/無外部鏈接

慕的地6264312 2021-09-29 13:48:45
我有以下代碼,我正在嘗試抓取一個網站 - 但只有子頁面(或相關鏈接)。我不想抓取導致外部網站的鏈接。我正在使用 Java 和 jsoup。public void scrape(String url) {    String docUrl = url;    try {        Document document = Jsoup.connect(docUrl).get();        Elements foundUrls = document.select("a[href]");        System.out.printf("Found %d links. %n", foundUrls.size());        for (Element  foundUrl : foundUrls) {            String nextUrl = foundUrl.attr("href");            if (visitedLinks.contains(nextUrl)) {                System.out.println("Link already visited. Skipping URL.");            }            else {                System.out.println("Scraping: "+ nextUrl);                visitedLinks.add(nextUrl);                scrape(nextUrl);            }        }    } catch (Exception ex) {        System.out.printf("Could not read %s.%n", url);    }}有人能告訴我如何只抓取頁面的子頁面 - 所以沒有外部鏈接嗎?
查看完整描述

1 回答

?
楊__羊羊

TA貢獻1943條經驗 獲得超7個贊

您需要修改代碼,以便檢查不僅要查看在抓取之前是否已訪問該鏈接,還要查看該鏈接是否為站內鏈接。所以if語句應該改為:


if (visitedLinks.contains(nextUrl) || !isInSiteLink(nextUrl) {

    // don't scrape

} else {

    // your scraping method here

}

然后你必須實現該方法。它可能看起來像


boolean isInSiteLink(String url) {

    return (url.starts with(baseUrl) || url.startsWith("/") || url.starts with("./") || url.starts with("../"));

}

baseUrl站點的基本 URL在哪里。


查看完整回答
反對 回復 2021-09-29
  • 1 回答
  • 0 關注
  • 190 瀏覽
慕課專欄
更多

添加回答

舉報

0/150
提交
取消
微信客服

購課補貼
聯系客服咨詢優惠詳情

幫助反饋 APP下載

慕課網APP
您的移動學習伙伴

公眾號

掃描二維碼
關注慕課網微信公眾號