java採集資料，獲取了 html整個文字之後。 

該考慮的是如何過濾掉html標籤， 得到自己所需要的重要資料了。

實現方法有多種辦法，第一：用正則，第二：用第三方jar包，其實本質也是封裝了正則表示式

今天就以 Jsoup 第三方jar包來講解。

現在貼上一個網頁過濾的方法例項

1. //門票瀏覽  url引數 http://www.lvmama.com/dest/lantiancheng
2.     publicstatic DataBean getWebData1(String url){  
3.         DataBean data = null;  
4.         try {  
5.             Document docdata = Jsoup.connect(url).timeout(20000).get();  
6.             String id = ".quick-menu .last a";  
7.             String city = ".proDetail a";  
8.             String title = ".proDetail h1";  
9.             String content = "#Introduction";  
10.             Elements ele = docdata.select(city);  
11.             city = (ele.text());   
12.             ele = docdata.select(title);  
13.             title = (ele.text()).replace("<", "").replace(">", "").replace("\\/", "");  
14.             ele = docdata.select(content);  
15.             content = (ele.text());  
16.             ele = docdata.select(id);  
17.             String[] idary = ele.attr("href"
    ).split("\\/");  
18.             id = idary[idary.length-1];  
19.             String type = "景點門票";  
20.             List<String> images = new ArrayList<String>();  
21.             data = new DataBean(id,title,url,content,type,city,images);  
22.             Dom4jUtil.createFile("data/["+type+"]"+title+".xml", Dom4jUtil.createDocument(data));  
23.             type = "景點評論";  
24.             content = ".userComments dl dd:eq(3)";  
25.             ele = docdata.select(content);  
26.             content = "";  
27.             int i = 1;  
28.             for (Element el : ele) {  
29.                 content += ("|第"+i+":"+el.text());  
30.                 i++;  
31.             }  
32.             data = new DataBean(id,title,url,content,type,city,images);  
33.             //用xml儲存資料
34.             Dom4jUtil.createFile("data/["+type+"]"+title+".xml", Dom4jUtil.createDocument(data));  
35.         } catch (Exception e) {  
36.             e.printStackTrace();  
37.         }  
38.         return data;  
39.     }  

整個過程分為幾部

1、 獲取頁面的節點物件

1. Document docdata = Jsoup.connect(url).timeout(20000).get();  

2、建立選擇器，選擇頁面節點物件的 text 或 html  。 選擇方式跟jquery非常類似。

例如：

String title = ".proDetail h1";

ele = docdata.select(title);

這個就是用來選擇 class = proDetail  下  h1 標籤的物件。通過  ele.text()   就得到了標籤中的文字。

1. Document docdata = Jsoup.connect(url).timeout(20000).get();  
2.             String id = ".quick-menu .last a";  
3.             String city = ".proDetail a";  
4.             String title = ".proDetail h1";  
5.             String content = "#Introduction";  
6.             Elements ele = docdata.select(city);  
7.             city = (ele.text());   
8.             ele = docdata.select(title);  
9.             title = (ele.text()).replace("<", "").replace(">", "").replace("\\/", "");  
10.             ele = docdata.select(content);  
11.             content = (ele.text());  
12.             ele = docdata.select(id);  
13.             String[] idary = ele.attr("href").split("\\/");  
14.             id = idary[idary.length-1];  

1. String type = "景點門票";  
2.             List<String> images = new ArrayList<String>();  
3.             data = new DataBean(id,title,url,content,type,city,images);  
4.             Dom4jUtil.createFile("data/["+type+"]"+title+".xml", Dom4jUtil.createDocument(data));  

java採集資料過濾html標籤，獲取指定資料，就搞定了