jsoup:解析HTML用法小结

最新推荐文章于 2025-01-02 14:48:02 发布

编程家阿笨猫

最新推荐文章于 2025-01-02 14:48:02 发布

阅读量2w

点赞数 2

1.解析方式
（1）从字符串解析

1

2

3

 
        String html = "<html><head><title>First parse</title></head>" 
       
                    + "<body><p>Parse HTML into a doc.</p></body></html>"; 
       
        Document doc = Jsoup.parse(html);

（2）从URL获取解析

1 2	`Document doc = Jsoup.connect("http://example.com/").get();` `String title = doc.title();`

1

2

3

4

5

6

 
        Document doc = Jsoup.connect("http://example.com") 
       
          .data("query", "Java") 
       
          .userAgent("Mozilla") 
       
          .cookie("auth", "token") 
       
          .timeout(3000) 
       
          .post();

（3）从文件解析

1 2	`File input =` `new` `File("/tmp/input.html");` `Document doc = Jsoup.parse(input,` `"UTF-8",` `"http://example.com/");`

2.DOM方式遍历元素
（1）搜索元素

1

2

3

4

5

6

 
        getElementById(String id) 
       
        getElementByTag(String tag) 
       
        getElementByClass(String className) 
       
        getElementByAttribute(String key) 
       
        siblingElements(), firstElementSibling(), lastElementSibling(), nextElementSibling(), previousElementSibling() 
       
        parent(), children(), child(int  index)

（2）获取元素数据

 
        attr(String key) – 获取key属性 
       
        attributes() – 获取属性 
       
        id(), className(), classNames() 
       
        text() – 获取文本内容 
       
        html() – 获取元素内部HTML内容 
       
        outerHtml() – 获取包括此元素的HTML内容 
       
        data() – 获取<srcipt>或<style>标签中的内容 
       
        tag(), tagName()

3.选择器语法（jsoup与其他解析器的区别就是可以使用类似jquery的选择器语法来搜索及过滤出所需的元素）
（1）基本选择器

 
        tagname: 搜索tag标签的元素 
       
        ns|tag: 搜索命名空间内tag标签的元素，如fb|name：<fb:name> 
       
        #id: 搜索有指定id的元素 
       
        .class: 搜索有指定class的元素 
       
        [attribute]: 搜索有attrribute属性的元素 
       
        [^attri]: 搜索有以attri开头的属性的元素 
       
        [attr=value]: 搜索有指定属性及其属性值的元素 
       
        [attr^=value], [attr$=value], [attr*=value]: 搜索有指定attr属性，且其属性值是以value开头、结尾或包括value的元素，如[href*=/path/] 
       
        [attr~=regex]: 搜索有指定attr属性，且其属性值符合regex正则表达式的元素 
       
        *: 搜索所有元素

（2）选择器组合

 
        el#id: 同时指定标签名称和id 
       
        el.class: 同时指定标签名称和class 
       
        el[attr]: 同时指定标签名称和及其中所含属性的名称 
       
        上述3项的任意组合，如a[href].highlight 
       
        ancestor child: 包含，如div.content p，即搜索<div class=”content”>下含有<p>标签的元素 
       
        ancestor > child: 直接包含，如div.content > p，即搜索直属<div class="content">节点下的<p>标签元素；div.content > *，即搜索<div class="content">下的所有元素 
       
        siblingA + siblingB: 直接遍历，如div.head + div，即搜索<div class="head"><div>的元素，其中不再包含子元素 
       
        siblingA ~ siblingX: 遍历，如h1 ~ p，即<h1>下直接或间接有<p>的元素 
       
        el, el, el: 组合多个选择器，搜索满足其中一个选择器的元素

（3）伪选择器（条件选择器）

 
        :lt(n): 搜索n号元素之前的元素 
       
        :gt(n): 搜索n号元素之后的元素 
       
        :eq(n): 搜索n号元素 
       
        :has(seletor): 搜索符合指定选择器的元素 
       
        :not(seletor): 搜索不符合指定选择器的元素 
       
        :contains(text): 搜索包含指定文本的元素，区分大小写 
       
        :containsOwn(text): 搜索直接指包含指定文本的元素 
       
        :matches(regex): 搜索符合指定正则表达式的元素 
       
        :matchesOwn(regex): 搜索本元素文本中符合指定正则表达式的元素 
       
        注意：以上伪选择器的索引中，第一个元素位于索引0，第二个元素位于索引1，……

4.获取元素的属性、文本和HTML

1

2

3

 
        获取元素的属性值：Node.attr(String key) 
       
        获取元素的文本，包括与其组合的子元素：Element.text() 
       
        获取HTML：Element.html()或Node.outerHtml()

5.操作URL

1 2	`Element.attr("href") – 直接获取URL` `Element.attr("abs:href")或Element.absUrl("href") – 获取完整URL。如果HTML是从文件或字符串解析过来的，需要调用Jsoup.setBaseUri(String baseUri)来指定基URL，否则获取的完整URL只会是空字符串`

6.测试例子

1 2	`li[class=info] a[class=Author] - 空格前后表示包含关系，即表示li里的a` `div[class=mod mod-main mod-lmain]:contains(教学反思) - div中包含"教学反思"，适合同时有多个同名DIV的情况`

 
        /* 
       
          previousSibling()获取某标签前面的代码 
       
          nextSibling()获取某标签后的代码 
       
          如： 
       
          <form id=form1> 
       
          第一名：Lily  <br/> 
       
          第二名：Tom   <br/> 
       
          第三名：Peter <br/> 
       
          </form> 
       
        */ 
       
        Elements items = doc.select("form[id=form1]"); 
       
        Elements prevs = items.select("br"); 
       
        for(Element p : prevs){ 
       
           String prevStr = p.previousSibling().toString().trim()); 
       
        }

 
        /* 
       
         最常用的链接抓取 
       
        */ 
       
        String itemTag = "div[class=mydiv]"; 
       
        String linkTag = "a" 
       
        Elements items = doc.select(itemTag); 
       
        Elements links = items.select(linkTag); 
       
        for(Element l : links){  
       
          String href = l.attr("abs:href");//完整Href 
       
          String absHref = l.attr("href");//相对路径 
       
          String text = l.text(); 
       
          String title = l.attr("title"); 
       
        }