最近在做关于爬虫的项目，通过抓取的网页，用jtidy解析转换成xml，然后通过dom4j去解析xml，得到网页中正文，标题之类的信息。
因为解析出来的xml中，body里面子节点N多个(DIV)，目前我的想法是，获取所有的DIV，然后得到DIV下的子节点H1，然后得到H1里面的文本信息。
有没有类似经验的人给个建议？？？有代码最好。。
------最佳解决方案--------------------
text.xml
<?xml version="1.0" encoding="UTF-8"?>
<HD>
<disk name="C">
<capacity>8G</capacity>
<directories>200</directories>
<files>1580</files>
</disk>
<disk name="D">
<capacity>10G</capacity>
<directories>500</directories>
<files>3000</files>
</disk>
</HD>
这里示范一下用jdom解析xml文件的步奏
import java.util.*;
import org.jdom.*;
import org.jdom.input.SAXBuilder;
public class Sample1 {
public static void main(String[] args) throws Exception{
SAXBuilder sb=new SAXBuilder();
Document doc=sb.build(Sample1.class.getClassLoader().getResourceAsStream("text.xml")); //构造文档对象
Element root=doc.getRootElement(); //获取根元素HD
List list=root.getChildren("disk");//取名字为disk的所有元素
for(int i=0;i<list.size();i++){
Element element=(Element)list.get(i);
String capacity=element.getChildText("capacity");//取disk子元素capacity的内容
String directories=element.getChildText("directories");
String files=element.getChildText("files");
System.out.println("磁盘信息:");
System.out.println("分区盘符:"+name);
System.out.println("分区容量:"+capacity);
System.out.println("目录数:"+directories);
System.out.println("文件数:"+files);
System.out.println("-----------------------------------");
}
}
}
这只是一个入门，具体问题具体分析，呵呵
------其他解决方案--------------------
xml有dom4j帮忙解析，没什么搞不定的，至于要抓取什么信息，那就是楼主自己的事情了，帮不了你。
------其他解决方案--------------------
那就能得到了，不是吗？
还没明白楼主到底碰到什么问题了
------其他解决方案--------------------
直接循环取不就可以吗？
<body>
<div>
<h1>
</h1>
</div>
<div>
<h1>
</h1>
</div
</body>
你说的是这样结构吧
Element e=document.getRootElement();
for(Iterator i=e.elementIterator();i.hasNext()){
Element divElement=i.next();//得到div节点
for(Iterator j=divElement.elementIterator();i.hasNaxt()){
Element h1Element=j.next();
if("H1".equals(h1Element.getName())){
你要的东西
}
}
}
------其他解决方案--------------------
把<DIV></DIV> 这种东东都删掉,得到一个干净的xml后再处理不行吗.
------其他解决方案--------------------