爬取微博的数据时别人用的是FM.view方法传递html标签那么jsoup怎么解析呢

使用JSOUP就行 这里给出点思路

我只做了自己的首页和其他人的微博首页的抓取 其他的抓取没尝试(不好意思 比较懒...）

首先是利用JSOUP进行登陆 获取页面 看了下微博的登陆表格 发现用了ajax的方式 所以代码获取cookie有点难

所以偷了个懒就用IE的开发者工具获取到了cookie 获取到的cookie要写成map的形式 然后用代码:

Java代码


Response res=Jsoup.connect("http://weibo.com").cookies(map).method(Method.POST).execute();

String s=res.body();

得到了下发现挺多的:



可以自己写段脚本来打印map.put(xxx,xxx)

我这里用scala写了段 用java写一样的 无所谓:

Scala代码


s.split("; ").foreach(s => {val x=s.split("=");println(s"""map.put("${x(0)}","${x(1)}");""")});

最后得到的body 嗯......是一大堆的script标签 最上面是微博的固定的顶上那一栏的内容(导航条的内容)

lz尝试了下 发现需要的是 <script>FM.view 中一个id为pl_content_homeFeed的 他就是首页的内容

然后lz进行了下简单的处理 没有用正则 因为....额...写不好:

Java代码


String s=res.body();

//System.out.println(s);

String[] ss=s.split("<script>FM.view");

int i=0;

//pl_content_homeFeed

// for(String x:ss){

// System.out.println(i++ + "======================================");

// System.out.println(x.substring(0, x.length()>100?100:x.length()));

// System.out.println("===========================================");

// }

String content=ss[8].split("\"html\":\"")[1].replaceAll("\\\\n", "").replaceAll("\\\\t", "").replaceAll("\\\\", "");

content=content.substring(0, content.length()<=13?content.length():content.length()-13);

System.out.println(content);

输出的content就是首页显示的微博内容

不过这个输出的话unicode没有被转成中文字符 需要用native2ascii工具 去网上找到了一个:
http://soulshard.iteye.com/blog/346807
实测可以使用:

Java代码


System.out.println(Native2AsciiUtils.ascii2Native(content));

注意了 以上的代码 lz是固定了主页的 所以在截取时直接用了index为8的

把post方法改成get方法 也可以获取到其他人的微博页

然后给出一个打印出获取的所有html内容的做法(试了一些主页可行):

Java代码


package jsoupTest;

import java.io.IOException;

import java.util.ArrayList;

import java.util.HashMap;

import java.util.List;

import java.util.Map;

import org.jsoup.Connection.Method;

import org.jsoup.Connection.Response;

import org.jsoup.Jsoup;

public class JsoupTest {

public static void main(String[] args) throws IOException {

Map<String, String> map = new HashMap<>();

//map.put请根据自己的微博cookie得到

Response res = Jsoup.connect("http://weibo.com/u/别人的主页id")

.cookies(map).method(Method.GET).execute();

String s = res.body();

System.out.println(s);

String[] ss = s.split("<script>FM.view");

int i = 0;

// pl_content_homeFeed

// pl.content.homeFeed.index

List<String> list = new ArrayList<>();

for (String x : ss) {

// System.out.println(i++ + "======================================");

// System.out.println(x.substring(0,

// x.length() > 200 ? 200 : x.length()));

// System.out.println("===========================================");

if (x.contains("\"html\":\"")) {

String value = getHtml(x);

list.add(value);

System.out.println(value);

}

}

// content=ss[8].split("\"html\":\"")[1].replaceAll("(\\\\t|\\\\n)",

// "").replaceAll("\\\\\"", "\"").replaceAll("\\\\/", "/");

// content=content.substring(0,

// content.length()<=13?content.length():content.length()-13);

// System.out.println(Native2AsciiUtils.ascii2Native(content));

}

public static String getHtml(String s) {

String content = s.split("\"html\":\"")[1]

.replaceAll("(\\\\t|\\\\n|\\\\r)", "").replaceAll("\\\\\"", "\"")

.replaceAll("\\\\/", "/");

content = content.substring(0,

content.length() <= 13 ? content.length()

: content.length() - 13);

return Native2AsciiUtils.ascii2Native(content);

}

}

抓取的内容应该要适当格式化一下才可以用Jsoup做解析

不过试了下直接做解析也没什么问题(虽然有一些标签错误)

这只是个页面抓取的策略 其他的我不想多写了 大家自己实践一下 前提是你用自己的新浪微博的cookie进行抓取