前面一篇文章讲述了 怎么用httpclient发送页面请求，下面要做的就是 爬取请求到的页面的 内容了。 jsoup可以帮助我们很好的解析页面内容。具体例子我们在上文的框架里做示范。
上文链接：http://blog.csdn.net/zzq900503/article/details/10006751
jsoup的介绍：http://baike.baidu.com/view/4066913.htm
jsoup api:http://jsoup.org/apidocs/
jsoup 教程:http://www.open-open.com/jsoup/
增加两个import
import org.jsoup.safety.Whitelist;
import org.jsoup.select.Elements;
主要是修改main函数里的内容 其他部分没做更改
main函数内容更改如下:
public static void main(String[] args) {
String url ="http://blog.csdn.net/zzq900503";
initHttpClient();
String content =crawlPageContent(httpClient,url);
// System.out.println(content);
Document doc = Jsoup.parse(content);
String title = doc.title();
System.out.println(title);
Element a=doc.getElementById("panel_Profile");
Elements li_content=a.getElementsByTag("li");
//提取方式一:
// for(Element i:li_content)
// {
// String tag=i.tagName();
// if(tag.equals("li"))
// {
// System.out.println(i.text());
//
// }
//
//
// }
//提取方式二:
// for(Element i:li_content)
// {
// String tag=i.tagName();
// if(tag.equals("li"))
// {
// String fre_content= i.ownText();
//
// System.out.println(fre_content);
// if(i.children().size()>0&&i.children()!=null)
// {
// String after_content=i.child(0).text();
// System.out.println(after_content);
// }
// }
//
//
// }
//提取方式三:
for(Element i:li_content)
{
String tag=i.tagName();
if(tag.equals("li"))
{
String all_content=i.text();
String all_string=Jsoup.clean(all_content, Whitelist.none());
String[] all=all_string.split("：");
if(all.length>0&&all!=null)
{
String fre_content=all[0].toString();
System.out.println(fre_content);
String after_content=all[1].toString();
System.out.println(after_content);
}
}
}
}
得到的结果如下：
方式一：
方式二:
方式三:
除了上述的用httpclient获取页面内容外，jsoup本身也支持 字符串，链接，文档文件的解析。（只需要在工程中引用jsoup-1.3.3.jar即可）例子如下:
public void parseString() {
String html = "<html><head><title>blog</title></head><body onload='test()'><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);
System.out.println(doc);
Elements es = doc.body().getAllElements();
System.out.println(es.attr("onload"));
System.out.println(es.select("p"));
}
public void parseUrl() {
try {
Document doc = Jsoup.connect("http://www.baidu.com/").get();
Elements hrefs = doc.select("a[href]");
System.out.println(hrefs);
System.out.println("------------------");
System.out.println(hrefs.select("[href^=http]"));
} catch (IOException e) {
e.printStackTrace();
}
}
public void parseFile() {
try {
File input = new File("input.html");
Document doc = Jsoup.parse(input, "UTF-8");
// 提取出所有的编号
Elements codes = doc.body().select("td[title^=IA] > a[href^=javascript:view]");
System.out.println(codes);
System.out.println("------------------");
System.out.println(codes.html());
} catch (IOException e) {
e.printStackTrace();
}
}
jsoup解析有很多种方法能得到同样的结构，就看你想用哪种思路。
有用id定位的 有用tagname获取的 有用class 获取的
常用的方法如下:
jsoup提供类似JS获取html元素：
getElementById(String id) 用id获得元素
getElementsByTag(String tag) 用标签获得元素
getElementsByClass(String className) 用class获得元素
getElementsByAttribute(String key) 用属性获得元素
同时还提供下面的方法提供获取兄弟节点：siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()
获得与设置元素的数据
attr(String key) 获得元素的数据 attr(String key, String value) 设置元素数据
attributes() 获得所以属性
id(), className() classNames() 获得id class得值
text()获得文本值
text(String value) 设置文本值
html() 获取html
html(String value)设置html
outerHtml() 获得内部html
data()获得数据内容
tag() 获得tag 和 tagName() 获得tagname
操作html元素：
append(String html), prepend(String html)
appendText(String text), prependText(String text)
appendElement(String tagName), prependElement(String tagName)
html(String value)
jsoup还提供了类似于JQuery方式的选择器
采用选择器来检索数据
tagname 使用标签名来定位，例如 a
ns|tag 使用命名空间的标签定位，例如 fb:name 来查找 <fb:name> 元素
#id 使用元素 id 定位，例如 #logo
.class 使用元素的 class 属性定位，例如 .head
* 定位所有元素
[attribute] 使用元素的属性进行定位，例如 [href] 表示检索具有 href 属性的所有元素
[^attr] 使用元素的属性名前缀进行定位，例如 [^data-] 用来查找 HTML5 的 dataset 属性
[attr=value]使用属性值进行定位，例如 [width=500] 定位所有 width 属性值为 500 的元素
[attr^=value],[attr$=value],[attr*=value] 这三个语法分别代表，属性以 value 开头、结尾以及包含
[attr~=regex]使用正则表达式进行属性值的过滤，例如 img[src~=(?i)\.(png|jpe?g)]
以上是最基本的选择器语法，这些语法也可以组合起来使用
组合用法
el#id 定位id值某个元素，例如 a#logo -> <a id=logo href= … >
el.class 定位 class 为指定值的元素，例如 div.head -> <div class=head>xxxx</div>
el[attr] 定位所有定义了某属性的元素，例如 a[href]
以上三个任意组合 例如 a[href]#logo 、a[name].outerlink
除了一些基本的语法以及这些语法进行组合外，jsoup 还支持使用表达式进行元素过滤选择
:lt(n) 例如 td:lt(3) 表示小于三列
:gt(n) div p:gt(2) 表示 div 中包含 2 个以上的 p
:eq(n) form input:eq(1) 表示只包含一个 input 的表单
:has(seletor) div:has(p) 表示包含了 p 元素的 div
:not(selector) div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text) 包含某文本的元素，不区分大小写，例如 p:contains(oschina)
:containsOwn(text) 文本信息完全等于指定条件的过滤
:matches(regex) 使用正则表达式进行文本过滤：div:matches((?i)login)
:matchesOwn(regex) 使用正则表达式找到自身的文本