jsoup:解析HTML用法小结

最新推荐文章于 2023-08-07 16:21:30 发布

迷茫的普罗米修斯

最新推荐文章于 2023-08-07 16:21:30 发布

阅读量1.6k

点赞数 1

文章标签： html java jsoup

本文链接：https://blog.csdn.net/wy634379160/article/details/46531023

版权

1.解析方式

（1）从字符串解析

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

Document doc = Jsoup.connect("http://example.com/").get();

String title = doc.title();

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

（3）从文件解析

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

 
  
 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

 
 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

 
 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

 
 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"); 

}

7.jsoup在线API
http://jsoup.org/apidocs/

迷茫的普罗米修斯

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
jsoup:解析HTML用法小结

1.解析方式（1）从字符串解析 String html = "First parseParse HTML into a doc.";Document doc = Jsoup.parse(html);?（2）从URL获取解析Document doc = Jsoup.connect("http://example.com/").
复制链接

扫一扫