初学JSoup

时间：2022-02-28 16:58:30

　　jsoup 是一款 Java 的 HTML 解析器，可直接解析某个 URL 地址、HTML 文本内容。它提供了一套非常省力的 API，可通过 DOM，CSS 以及类似于 jQuery 的操作方法来取出和操作数据。

jsoup 的API地址：http://tool.oschina.net/apidocs/apidoc?api=jsoup-1.6.3

jsoup 的主要功能如下：

  1. 从一个 URL，文件或字符串中解析 HTML；
  2. 使用 DOM 或 CSS 选择器来查找、取出数据；
  3. 可操作 HTML 元素、属性、文本；

jsoup 是基于 MIT 协议发布的，可放心使用于商业项目。

jsoup 的主要类层次结构如下图所示：

初学JSoup

（一）文档输入

  • 直接从字符串中输入 HTML 文档
 String html = "<html><head><title> 开源中国社区 </title></head><body><p> 这里是 jsoup 项目的相关文章 </p></body></html>";

 Document mDocument = Jsoup.parse(html);
  • 从URL直接加载HTML文档（无参）
        Document mDocument2 = Jsoup.connect("http://www.oschina.net/").get();

        String title = mDocument2.title();
  • 从URL直接加载HTML文档（有参）
        Document mDocument3 = Jsoup.connect("http://www.oschina.net/")

                .data("query", "Java")        //请求参数

                .userAgent("I ’ m jsoup")    //设置User-Agent

                .cookie("auth", "token")    //设置cookie

                .timeout(3000)                //设置链接超时时间

                .post();                    //使用POST方法访问URL
  • 从文件中加载 HTML 文档
        File input = new File("C:/wamp/www/HtmlParser/1.html");

        Document mDocument4 = Jsoup.parse(input, "utf-8","http://www.oschina.net/");

　　请大家注意最后一种 HTML 文档输入方式中的 parse 的第三个参数，为什么需要在这里指定一个网址呢（虽然可以不指定，如第一种方法）？因为 HTML 文档中会有很多例如链接、图片以及所引用的外部脚本、css 文件等，而第三个名为 baseURL 的参数的意思就是当 HTML 文档使用相对路径方式引用外部文件时，jsoup 会自动为这些 URL 加上一个前缀，也就是这个 baseURL。
例如： <a href=/project> 开源软件 </a> 会被转换成 <a href=http://www.oschina.net/project> 开源软件 </a>。

（二）DOM方式解析并提取HTML元素

　　这部分涉及一个 HTML 解析器最基本的功能，但 jsoup 使用一种有别于其他开源项目的方式——选择器，我们将在最后一部分详细介绍 jsoup 选择器，本节中你将看到 jsoup 是如何用最简单的代码实现。

　　不过 jsoup 也提供了传统的 DOM 方式的元素解析，看看下面的代码：

        // 从文件中加载 HTML 文档

        File input = new File("C:/wamp/www/HtmlParser/1.html");

        Document mDocument4 = Jsoup.parse(input, "utf-8","http://www.oschina.net/");

        Element content = mDocument4.getElementById("content-wrap");

        Elements links = content.getElementsByTag("a");

        for (Element link:links) {

            String linkHref = link.attr("href");

            String linkText = link.text();

        }

　　你可能会觉得 jsoup 的方法似曾相识，没错，像 getElementById 和 getElementsByTag 方法跟 JavaScript 的方法名称是一样的，功能也完全一致。你可以根据节点名称或者是 HTML 元素的 id 来获取对应的元素或者元素列表。
　　与 htmlparser 项目不同的是，jsoup 并没有为 HTML 元素定义一个对应的类，一般一个 HTML 元素的组成部分包括：节点名、属性和文本，jsoup 提供简单的方法供你自己检索这些数据，这也是 jsoup 保持瘦身的原因。
　　而在元素检索方面，jsoup 的选择器简直无所不能，

（三）修改数据

（四）HTML文档清理

（五）选择器解析并提取HTML元素

===========================参考网址===========================

http://blog.csdn.net/fover717/article/details/8314217

http://www.ibm.com/developerworks/cn/java/j-lo-jsouphtml/

http://www.cnblogs.com/rhythmK/p/4037572.html

===========================参考网址===========================

相关文章