Jsoup解析HTML、加载文档等实例

时间:2022-10-31 22:51:53

一、引入jsoup的jar包:http://jsoup.org/download

  补充:http://jsoup.org/apidocs/   Jsoup API    可以了解更详细的内容

二、Jsoup将html字符串解析成Document结构

public void testJsoupHtml(){
        String html="<table><tr><td>名称</td><td>价格(元/本)</td><td>描述</td></tr><tr><td>《雾都的孤儿》</td><td>33.4</td><td>叙述雾都的孤儿</td></tr></table>";
        Document doc = Jsoup.parse(html);
        System.out.println(doc.childNodeSize());
    }

Jsoup.parse(String str)说明:该解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果,无论HTML的格式是否完整。比如它可以处理:

  1、没有关闭的标签 (比如: <p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>)
  2、隐式标签 (比如. 它可以自动将 <td>Table data</td>包装成<table><tr><td>?)
  3、创建可靠的文档结构(html标签包含head 和 body,在head只出现恰当的元素)

    补充说明:文档的对象模型简述:

      1、文档由多个Elements和TextNodes组成 (以及其它辅助nodes).
      2、其继承结构如下:Document继承Element继承Node. TextNode继承 Node.
      3、一个Element包含一个子节点集合,并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。

三、Jsoup通过URL解析html文档   获得Document对象  

  具体代码如下:

public void testJsoupUrl() throws IOException{
        String url="http://ntbedi04:11080/edi/task/allTask";
        Document doc=Jsoup.connect(url).get();
        String title=doc.title();
        System.out.println("文档的名称:"+title);
    }

  connect(String url)创建一个新的Collection对象,然后通过get()获得Document对象。

  connect()还有一些属性可以满足特殊的需求:

public void testJsoupUrlPost() throws IOException{
        String url="";
        Document doc = Jsoup.connect(url)
                  .data("query", "Java")   //post请求的参数
                  .userAgent("Mozilla")    //请求代理
                  .cookie("auth", "token")//cookie
                  .timeout(300000)   //请求时间的设置
                  .post();  
        System.out.println(doc.title());
    }

 

三、Jsoup解析本地文件html文件

public void testJsouploc() throws IOException{
        File htmlf=new File("C:/Users/Administrator/Desktop/choujiang.html");
        Document doc=Jsoup.parse(htmlf, "UTF-8");
        System.out.println(doc.title());
    }

对于相对路径中的文件,可以用parse(File in,String charsetName,String baseUrl)

  baseUri 参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。
  另外还有一个方法parse(File in, String charsetName) ,它使用文件的路径做为 baseUri。 这个方法适用于如果被解析文件位于网站的本地文件系统,且相关链接也指向该文件系统。

 

四、Jsoup中Document对象的操作

  Elements这个对象提供了一系列类似于DOM的方法来查找元素,抽取并处理其中的数据。具体如下:
 查找元素
  getElementById(String id)
  getElementsByTag(String tag)
  getElementsByClass(String className)
  getElementsByAttribute(String key) (and related methods)
  Element siblings: siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()
  Graph: parent(), children(), child(int index)

 元素数据
  attr(String key)获取属性attr(String key, String value)设置属性
  attributes()获取所有属性
  id(), className() and classNames()
  text()获取文本内容text(String value) 设置文本内容
  html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
  outerHtml()获取元素外HTML内容
  data()获取数据内容(例如:script和style标签)
  tag() and tagName()

操作HTML和文本
  append(String html), prepend(String html)
  appendText(String text), prependText(String text)
  appendElement(String tagName), prependElement(String tagName)
  html(String value)

简单实例:

public void testJsoupHtml(){
        String html="<table><tr><td>名称</td><td>价格(元/本)</td><td>描述</td></tr><tr><td>《雾都的孤儿》</td><td>33.4</td><td>叙述雾都的孤儿</td></tr></table>";
        Document doc = Jsoup.parse(html);
        Elements tables=doc.getElementsByTag("table");
        Elements tdlist=tables.get(0).getElementsByTag("td");
    //输出单元格中的内容
for (Element str : tdlist) { System.out.println(str.text()); } }

特别之处:获得某个值或对象

  可以使用Element.select(String selector) 和 Elements.select(String selector) 方法实现:

Selector选择器概述
tagname: 通过标签查找元素,比如:a
ns|tag: 通过标签在命名空间查找元素,比如:可以用 fb|name 语法来查找 <fb:name> 元素
#id: 通过ID查找元素,比如:#logo
.class: 通过class名称查找元素,比如:.masthead
[attribute]: 利用属性查找元素,比如:[href]
[^attr]: 利用属性名前缀来查找元素,比如:可以用[^data-] 来查找带有HTML5 Dataset属性的元素
[attr=value]: 利用属性值来查找元素,比如:[width=500]
[attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素,比如:[href*=/path/]
[attr~=regex]: 利用属性值匹配正则表达式来查找元素,比如: img[src~=(?i)\.(png|jpe?g)]
*: 这个符号将匹配所有元素

Selector选择器组合使用

el#id: 元素+ID,比如: div#logo
el.class: 元素+class,比如: div.masthead
el[attr]: 元素+class,比如: a[href]
任意组合,比如:a[href].highlight
ancestor child: 查找某个元素下子元素,比如:可以用.body p 查找在"body"元素下的所有p元素
parent > child: 查找某个父元素下的直接子元素,比如:可以用div.content > p 查找 p 元素,也可以用body > * 查找body标签下所有直接子元素
siblingA + siblingB: 查找在A元素之前第一个同级元素B,比如:div.head + div
siblingA ~ siblingX: 查找A元素之前的同级X元素,比如:h1 ~ p
el, el, el:多个选择器组合,查找匹配任一选择器的唯一元素,例如:div.masthead, div.logo

伪选择器selectors

:lt(n): 查找哪些元素的同级索引值(它的位置在DOM树中是相对于它的父节点)小于n,比如:td:lt(3) 表示小于三列的元素
:gt(n):查找哪些元素的同级索引值大于n,比如: div p:gt(2)表示哪些div中有包含2个以上的p元素
:eq(n): 查找哪些元素的同级索引值与n相等,比如:form input:eq(1)表示包含一个input标签的Form元素
:has(seletor): 查找匹配选择器包含元素的元素,比如:div:has(p)表示哪些div包含了p元素
:not(selector): 查找与选择器不匹配的元素,比如: div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text): 查找包含给定文本的元素,搜索不区分大不写,比如: p:contains(jsoup)
:containsOwn(text): 查找直接包含给定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正则表达式,比如:div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素