1、java将URL网页博客转化为pdf文件

2、测试博客网页地址为：http://blog.csdn.net/u014520797/article/details/50944998

3、测试结果为

4、工程代码结构为：

5、部分代码展示：

public static String[] extractBlogInfo(String blogURL) throws Exception {

String[] info = new String[4];

//报错：Exception in thread "main" org.jsoup.HttpStatusException:HTTP error fetching URL. Status=403, URL=http://blog.csdn.net/u014520797/article/details/50944998/

//org.jsoup.nodes.Document doc = Jsoup.connect(blogURL).get();

//爬取某个网站太快，会被封。于是要模拟像人一样的取爬取某个网站，那样的话估计几秒爬取一个网页

//参考http://blog.sina.com.cn/s/blog_664fdc7e0102vesz.html

org.jsoup.nodes.Document doc = Jsoup.connect(blogURL).userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.31 (KHTML, like Gecko) Chrome/26.0.1410.64 Safari/537.31").timeout(10000).get();

org.jsoup.nodes.Element e_title = doc.select("span.link_title").first();

info[0] = e_title.text();

org.jsoup.nodes.Element category_r = doc.select("div.category_r").first();

info[1] = category_r.after("label").after("span").text().replace("作者同类文章X", "");

org.jsoup.nodes.Element e_date = doc.select("span.link_postdate").first();

info[2] = e_date.text();

org.jsoup.nodes.Element entry = doc.select("div.article_content").first();

info[3] = formatContentTag(entry);

info[3]=""

+""-//W3C//DTD XHTML 1.0 Transitional//EN\" \"http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd\">"

+" "

+" "

+" "

+""+info[3]+"";

System.out.println("info.toString():"+info[0]+",\n"+info[1]+",\n"+info[2]+",\n"+info[3]+",\n");

return info;

}

6、不能使用org.jsoup.nodes.Document doc = Jsoup.connect(blogURL).get();，因为爬取某个网站太快，会被封。于是要模拟像人一样的取爬取某个网站，那样的话估计几秒爬取一个网页。

7、需要在网页部分添加，避免无法显示中文。

"-//W3C//DTD XHTML 1.0 Transitional//EN\" \"http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd\">

"+info[3]

8、代码下载地址：http://download.csdn.net/detail/u014520797/9469285