用jsoup爬虫出现点状况

kangxinya 2019-03-22 12:02:38
本来想用jsoup爬一下题库,但是爬到的内容总是重复,有朋友能帮我看看问题出在哪吗
public class MainActivity extends AppCompatActivity {
private static final String TAG = "k";

@Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_main);

new Thread(new Runnable() {
@Override
public void run() {
jsoupdata();
}
}).start();

}

private void jsoupdata() {
try {
Document doc = Jsoup.connect("https://mp.weixin.qq.com/s/fFOGqYmsrzNKlEE7cXcYFA").get();
Elements titleAndPic = doc.select("title");
Elements hdate=doc.select("div#js_content").select("span");
Log.d(TAG,"html:"+titleAndPic.text());
Log.d(TAG,"html"+hdate.text());//《-就是这个
} catch (Exception e) {
Log.i("mytag", e.toString());
}
}
}

这是爬的span标签的一部分内容,出现了很多重复,如“包含(”,“同心同德和融共生”
2019-03-22 10:43:53.820 6503-6527/com.example.myapplication D/k: html1.北京公交集团企业文化的 “同行”内涵 包括( 包括( A ) ) A. 同心同德 和融共生 同心同德 和融共生  行无止境 追求卓越 行无止境 追求卓越  


这是爬到的html出错那段的代码
<span style="max-width: 100%;font-family: 宋体;box-sizing: border-box !important;word-wrap: break-word !important;">1.北京公交集团企业文化的</span>
<span style="max-width: 100%;font-family: 宋体;box-sizing: border-box !important;word-wrap: break-word !important;">“同行”内涵</span>
<span style="max-width: 100%;font-family: 宋体;box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">包括(</span></span>
<span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">包括(</span>
<span style="max-width: 100%;font-family: 宋体;color: rgb(255, 0, 0);box-sizing: border-box !important;word-wrap: break-word !important;">A</span>
<span style="max-width: 100%;font-family: 宋体;box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">)</span></span>
<span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">)</span>
<span style="max-width: 100%;font-family: 宋体;color: rgb(255, 0, 0);box-sizing: border-box !important;word-wrap: break-word !important;">A.</span>
<span style="max-width: 100%;font-family: 宋体;color: rgb(255, 0, 0);box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">同心同德</span>  <span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">和融共生</span></span>
<span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">同心同德</span>
<span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">和融共生</span>
<span style="max-width: 100%;font-family: 宋体;color: rgb(255, 0, 0);box-sizing: border-box !important;word-wrap: break-word !important;">  </span>
<span style="max-width: 100%;font-family: 宋体;color: rgb(255, 0, 0);box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">行无止境</span>  <span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">追求卓越</span></span>
<span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">行无止境</span>
<span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">追求卓越</span>

这是用浏览器相关的一段代码
<strong style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;font-family: 宋体;box-sizing: border-box !important;word-wrap: break-word !important;">1.北京公交集团企业文化的</span></strong><strong style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;font-family: 宋体;box-sizing: border-box !important;word-wrap: break-word !important;">“同行”内涵</span></strong><strong style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;font-family: 宋体;box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">包括(</span></span></strong><strong style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;font-family: 宋体;color: rgb(255, 0, 0);box-sizing: border-box !important;word-wrap: break-word !important;">A</span></strong><strong style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;font-family: 宋体;box-sizing: border-box !important;word-wrap: break-word !important;"><span style="max-width: 100%;box-sizing: border-box !important;word-wrap: break-word !important;">)</span></span></strong>

高手们看看是怎么回事,我在网上找了好长时间也没找到是哪出的问题
...全文
314 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
如果您下载了本程序,但是该程序存在问题无法运行,那么您可以选择退款或者寻求我们的帮助(如果找我们帮助的话,是需要追加额外费用的)。另外,您不会使用资源的话(这种情况不支持退款),也可以找我们帮助(需要追加额外费用) 爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。

80,351

社区成员

发帖
与我相关
我的任务
社区描述
移动平台 Android
androidandroid-studioandroidx 技术论坛(原bbs)
社区管理员
  • Android
  • yechaoa
  • 失落夏天
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧