使用jsoup分析网页
之前用过HTMLParser，许久不更新的东西了，印象中也没那么好用。
今天重新搜索了一下，发现jsoup很容易上手~选择器很好很强大。
支持DOM和选择器两种模式

1、下载
jsoup的网站很简洁：http://jsoup.org/
入门做的很不错：http://jsoup.org/cookbook/

2、简单的例子
以下示例用于抓取iteye首页的新闻及连接，共使用了3种方式获取元素：
package tests;import java.io.IOException;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;public class EgParseItEyeNews {public static void main(String[] args) throws IOException {String url = "http://www.iteye.com/";// 不加userAgent会被视为爬虫。。。。。Document doc = Jsoup.connect(url).userAgent("Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1 ").get();//Element news = doc.getElementById("news"); //1、通过IDElementsnewsConents=doc.getElementsByClass("news_content");//2、通过classElement news=newsConents.first();if (news == null)System.out.println(doc);else {//System.out.println(news);//System.out.println("end of news****************\n");Elements elems = news.select("a"); // 3、通过选择器 ， 把链接都提取出来for (Element element : elems) {System.out.println(element.text() + " \t链接为：" + element.attr("href"));}}}}

输出如下：
轻量级JavaWeb开发框架EWeb4J作者赖伟威专访 链接为：http://www.iteye.com/magazines/105[详情] 链接为：http://www.iteye.com/magazines/10512月TIOBE编程语言排行榜：年度语言非ObjC莫属 链接为：http://www.iteye.com/news/26673[详情] 链接为：http://www.iteye.com/news/26673JDK6明年2月停止更新，甲骨文呼吁尽快升级至7 链接为：http://www.iteye.com/news/26683[详情] 链接为：http://www.iteye.com/news/26683

。。。好多重复的链接啊！！！将选择器重的代码改为：

Elements elems = news.select("dt>a"); // 3、通过选择器  ，     把链接都提取出来

使得只选择的链接为dt标签的直接子类即可去掉[详情]项，更多选项如后文所示。


3、选择器字符串的语法
这里有实例介绍：http://jsoup.org/cookbook/extracting-data/selector-syntax
用法详解：http://jsoup.org/apidocs/org/jsoup/select/Selector.html
下图是从上面的网址抠出来的：


4、在线文档
http://jsoup.org/apidocs/