Web ページ上の指定された要素をキャプチャする必要があります:
当初は webMagic を使用することを考えていましたが、それは少し複雑に感じます. ここでは、Jsoup を直接使用してキャプチャします:
1. 依存関係をインポートします:
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.14.1</version>
</dependency>
2. 接続を作成し、ページ要素を解析します
まず URL を定義します。
String url="https://ncbi.nlm.nih.gov/gene/51185";
次に、接続を作成し、get リクエストを通じて Web ページのドキュメント オブジェクトを取得します。
単純なバージョンは次のとおりです。
Document document = Jsoup.connect(url).get();
ただし、クラスで例外をスローする必要があるため、ここではエラーを処理するためにキャプチャ メソッドが使用されます。
Connection conn = Jsoup.connect(url);
Document document = null;
try {
document = conn.get();
} catch (IOException e) {
e.printStackTrace();
// handle error
}
ページ要素を分析します:
対応する要素を選択します: jsoup の構文はここには掲載されません
Element firstHeading = document.getElementsByClass("rprt-section gene-summary").first();
Elements noline = firstHeading.getElementsByTag("dd");
String element = noline.get(1).text();
しかし、キャプチャされたコンテンツは少し多すぎます。
ここで必要なのはセレブロンだけです。結果内で初めて provided が表示される位置を見つけて、文字列インターセプトのメソッドを使用して必要な結果、つまり完全なコードを取得できます
。以下のとおりであります:
public static void main(String[] args) {
String url="https://ncbi.nlm.nih.gov/gene/51185";
Connection conn = Jsoup.connect(url);
Document document = null;
try {
document = conn.get();
} catch (IOException e) {
e.printStackTrace();
// handle error
}
Element firstHeading = document.getElementsByClass("rprt-section gene-summary").first();
Elements noline = firstHeading.getElementsByTag("dd");
String element = noline.get(1).text();
int provided = element.indexOf("provided");
String fullName = element.substring(0, provided);
System.out.println(fullName);
}