我想获取页面的内容并提取其中的特定部分。据我所知，此类任务至少有两种解决方案:Crawler4j和 Jsoup .
它们都能够检索页面内容并提取其中的子部分。我唯一不确定的是，它们之间有什么区别？有一个similar question ，标记为已回答:
Crawler4j is a crawler, Jsoup is a parser.
不过我查了下，Jsoup除了解析功能，还可以抓取页面，而Crawler4j不仅可以抓取页面，还可以解析页面内容。
Crawler4j和Jsoup有什么区别？
最佳答案
抓取不仅仅是检索单个 URI 的内容。如果您只想检索某些页面的内容，那么使用 Crawler4J 之类的东西并没有真正的好处。
让我们来看一个例子。假设您要抓取一个网站。要求是:
关于 页面具有指向 主页 页面的链接，但我们已经获取了页面 A 的内容Home 页面，所以不要再次访问它)。 Home 页面开始的 50 个 URI。 这是一个简单的场景。尝试用 Jsoup 解决这个问题。所有这些功能都必须由您来实现。 Crawler4J 或与此相关的任何爬虫微框架，将或应该具有上述操作的实现。当您决定如何处理内容时，Jsoup 的强大品质就会闪耀。
让我们看一下解析的一些要求。
HTML 规范的标签)这就是 Jsoup 发挥作用的地方。当然，这里有一些重叠。 Crawler4J 或 Jsoup 可能有一些事情是可能的，但这并不能使它们等同。您可以删除从 Jsoup 中检索内容的机制，并且仍然是一个很棒的工具。如果 Crawler4J 删除检索，那么它将失去一半的功能。
我在现实生活场景中的同一个项目中使用了它们。
我利用Crawler4J的优势爬取了一个站点，解决了第一个例子中提到的所有问题。然后我将检索到的每个页面的内容传递给 Jsoup，以便提取我需要的信息。我可以不使用其中之一吗？是的，我可以，但我将不得不实现所有缺失的功能。
因此不同，Crawler4J 是一个爬虫，有一些简单的解析操作(你可以在一行中提取图像)，但没有实现复杂的 CSS查询。 Jsoup 是一个解析器，可为您提供用于 HTTP 请求的简单 API。对于任何更复杂的事情，都没有实现。
关于java - Crawler4j vs. Jsoup Java 页面爬取解析，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/34888510/
我真的很习惯使用Ruby编写以下代码:my_hash={}my_hash['test']=1Java中对应的数据结构是什么？ 最佳答案 HashMapmap=newHashMap();map.put("test",1);我假设？ 关于java-等价于Java中的RubyHash，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.com/questions/22737685/
我正在尝试使用boilerpipe来自JRuby。我看过guide从JRuby调用Java，并成功地将它与另一个Java包一起使用，但无法弄清楚为什么同样的东西不能用于boilerpipe。我正在尝试基本上从JRuby中执行与此Java等效的操作:URLurl=newURL("http://www.example.com/some-location/index.html");Stringtext=ArticleExtractor.INSTANCE.getText(url);在JRuby中试过这个:require'java'url=java.net.URL.new("http://www
我只想对我一直在思考的这个问题有其他意见，例如我有classuser_controller和classuserclassUserattr_accessor:name,:usernameendclassUserController//dosomethingaboutanythingaboutusersend问题是我的User类中是否应该有逻辑user=User.newuser.do_something(user1)oritshouldbeuser_controller=UserController.newuser_controller.do_something(user1,user2)我
什么是ruby的rack或python的Java的wsgi？还有一个路由库。 最佳答案 来自Python标准PEP333:Bycontrast,althoughJavahasjustasmanywebapplicationframeworksavailable,Java's"servlet"APImakesitpossibleforapplicationswrittenwithanyJavawebapplicationframeworktoruninanywebserverthatsupportstheservletAPI.ht
这篇文章是继上一篇文章“Observability：从零开始创建Java微服务并监控它（一）”的续篇。在上一篇文章中，我们讲述了如何创建一个Javaweb应用，并使用Filebeat来收集应用所生成的日志。在今天的文章中，我来详述如何收集应用的指标，使用APM来监控应用并监督web服务的在线情况。源码可以在地址 https://github.com/liu-xiao-guo/java_observability 进行下载。摄入指标指标被视为可以随时更改的时间点值。当前请求的数量可以改变任何毫秒。你可能有1000个请求的峰值，然后一切都回到一个请求。这也意味着这些指标可能不准确，你还想提取最小/
HashMap中为什么引入红黑树，而不是AVL树呢1.概述开始学习这个知识点之前我们需要知道，在JDK1.8以及之前，针对HashMap有什么不同。JDK1.7的时候，HashMap的底层实现是数组+链表JDK1.8的时候，HashMap的底层实现是数组+链表+红黑树我们要思考一个问题，为什么要从链表转为红黑树呢。首先先让我们了解下链表有什么不好？？？2.链表上述的截图其实就是链表的结构，我们来看下链表的增删改查的时间复杂度增：因为链表不是线性结构，所以每次添加的时候，只需要移动一个节点，所以可以理解为复杂度是N(1)删：算法时间复杂度跟增保持一致查：既然是非线性结构，所以查询某一个节点的时候
遍历文件夹我们通常是使用递归进行操作，这种方式比较简单，也比较容易理解。本文为大家介绍另一种不使用递归的方式，由于没有使用递归，只用到了循环和集合，所以效率更高一些！一、使用递归遍历文件夹整体思路1、使用File封装初始目录，2、打印这个目录3、获取这个目录下所有的子文件和子目录的数组。4、遍历这个数组，取出每个File对象4-1、如果File是否是一个文件，打印4-2、否则就是一个目录，递归调用代码实现publicclassSearchFile{publicstaticvoidmain(String[]args){//初始目录Filedir=newFile("d:/Dev");Datebeg
我基本上来自Java背景并且努力理解Ruby中的模运算。(5%3)(-5%3)(5%-3)(-5%-3)Java中的上述操作产生，2个-22个-2但在Ruby中，相同的表达式会产生21个-1-2.Ruby在逻辑上有多擅长这个？模块操作在Ruby中是如何实现的？如果将同一个操作定义为一个web服务，两个服务如何匹配逻辑。 最佳答案 在Java中，模运算的结果与被除数的符号相同。在Ruby中，它与除数的符号相同。remainder()在Ruby中与被除数的符号相同。您可能还想引用modulooperation.
Java的Collections.unmodifiableList和Collections.unmodifiableMap在Ruby标准API中是否有等价物？ 最佳答案 使用freeze应用程序接口(interface):Preventsfurthermodificationstoobj.ARuntimeErrorwillberaisedifmodificationisattempted.Thereisnowaytounfreezeafrozenobject.SeealsoObject#frozen?.Thismethodretur
require'mechanize'agent=Mechanize.newlogin=agent.get('http://www.schoolnet.ch/DE/HomeDE.htm')agent.clicklogin.link_withtext:/Login/然后我得到Mechanize::UnsupportedSchemeError。 最佳答案 Mechanize不支持javascript但您可以将搜索字段添加到表单并为其分配搜索词并使用mechanize提交表单form=page.forms.firstform.add_fie