Jsoup解析html

Jsoup提供了丰富的API来给我们查找我们需要的DOM元素，常用的如下：

getElementById(Stringid) 根据 id 来查询 DOM

getElementsByTag(StringtagName) 根据 tag 名称来查询 DOM

getElementsByClass(StringclassName) 根据样式名称来查询 DOM

getElementsByAttribute(Stringkey) 根据属性名来查询 DOM

getElementsByAttributeValue(Stringkey,Stringvalue) 根据属性名和属性值来查询 DOM

/**

• Jsoup 查找 DOM 元素

*/

@Test

public void test2() throws IOException {

Document doc = Jsoup.parse(getHtml(“http://www.cnblogs.com/”)); // 解析网页 得到文档对象

Elements itemElements = doc.getElementsByClass(“post_item”); // 根据样式名称来查询DOM

System.out.println(“=输出post_item========”);

for (Element e : itemElements) {

System.out.println(e.html());//获取里面所有的 html 包括文本

System.out.println(“\n”);

}

Elements widthElements = doc.getElementsByAttribute(“width”); // 根据属性名称来查询DOM（id class type 等）,用的少一般很难找用这种方法

System.out.println(“=输出with的DOM========”);

for (Element e : widthElements) {

System.out.println(e.toString());//不能用 e.html() 这里需要输出 DOM

}

//

Elements targetElements = doc.getElementsByAttributeValue(“target”, “_blank”);

System.out.println(“=输出target-_blank的DOM========”);

for (Element e : targetElements) {

System.out.println(e.toString());

}

}

四、Jsoup使用选择器语法查找DOM元素

---

我们前面通过标签名，Id，Class样式等来搜索DOM，这些是不能满足实际开发需求的，很多时候我们需要寻找有规律的DOM集合，很多个有规律的标签层次，这时候，选择器就用上了。css jquery 都有，Jsoup支持css，jquery类似的选择器语法。

/**

• 有层级关系

*/

@Test

public void test3() throws IOException {

Document doc = Jsoup.parse(getHtml(“http://www.cnblogs.com/”)); // 解析网页 得到文档对象

Elements linkElements = doc.select(“#post_list .post_item .post_item_body h3 a”); //通过选择器查找所有博客链接DOM（范围重小到大）

for (Element e : linkElements) {

System.out.println(“博客标题：” + e.text());//超链接的内容

}

System.out.println(“--------------------带有href属性的a元素--------------------------------”);

Elements hrefElements = doc.select(“a[href]”); // 带有href属性的a元素

for (Element e : hrefElements) {

System.out.println(e.toString());

}

System.out.println(“------------------------查找扩展名为.png的图片----------------------------”);

Elements imgElements = doc.select(“img[src$=.png]”); // 查找扩展名为.png的图片DOM节点

for (Element e : imgElements) {

System.out.println(e.toString());

}

System.out.println(“------------------------获取第一个元素----------------------------”);

Element element = doc.getElementsByTag(“title”).first(); // 获取tag是title的所有DOM元素

String title = element.text(); // 返回元素的文本

System.out.println(“网页标题是：” + title);

}

五、Jsoup获取DOM元素属性值

---

/**

• 获取 DOM 元素属性值

*/

@Test

public void test4() throws IOException {

Document doc = Jsoup.parse(getHtml(“http://www.cnblogs.com/”)); // 解析网页 得到文档对象

Elements linkElements = doc.select(“#post_list .post_item .post_item_body h3 a”); //通过选择器查找所有博客链接DOM

for (Element e : linkElements) {

System.out.println(“博客标题：” + e.text());//获取里面所有的文本

System.out.println(“博客地址：” + e.attr(“href”));

System.out.println(“target：” + e.attr(“target”));

}

System.out.println(“------------------------友情链接----------------------------”);

Element linkElement = doc.select(“#friend_link”).first();

System.out.println(“纯文本：” + linkElement.text());//去掉 html

System.out.println(“------------------------Html----------------------------”);

System.out.println(“Html：” + linkElement.html());

}

/**

• 获取文章的 url

*/

@Test

public void test5() throws IOException {

Document doc = Jsoup.parse(getHtml(“http://www.cnblogs.com/”)); // 解析网页 得到文档对象

Elements linkElements = doc.select(“#post_list .post_item .post_item_body h3 a”); //通过选择器查找所有博客链接DOM

for (Element e : linkElements) {

System.out.println(e.attr(“href”));

}

}

注意：Element 的几个获取内容的方法区别

1. text()            获取的是去掉了 html 元素，也就是只用元素内容

2. toString()      DOM

3. html()          获取里面所有的 html 包括文本

import org.apache.http.HttpEntity;

import org.apache.http.client.methods.CloseableHttpResponse;

import org.apache.http.client.methods.HttpGet;

import org.apache.http.impl.client.CloseableHttpClient;

import org.apache.http.impl.client.HttpClients;

import org.apache.http.util.EntityUtils;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.nodes.Element;

import org.jsoup.select.Elements;

import org.junit.Test;

import java.io.IOException;

public class Main {

/**

• 输入一个网址返回这个网址的字符串

*/

public String getHtml(String str) throws IOException {

CloseableHttpClient httpclient = HttpClients.createDefault(); // 创建httpclient实例

HttpGet httpget = new HttpGet(str); // 创建httpget实例

CloseableHttpResponse response = httpclient.execute(httpget); // 执行get请求

HttpEntity entity = response.getEntity(); // 获取返回实体

String content = EntityUtils.toString(entity, “utf-8”);

response.close(); // 关闭流和释放系统资源

return content;

}

/**

• 爬取 博客园

• 1、网页标题

• 2、口号

*/

@Test

public void test() throws IOException {

Document doc = Jsoup.parse(getHtml(“http://www.cnblogs.com/”)); // 解析网页 得到文档对象

Elements elements = doc.getElementsByTag(“title”); // 获取tag是title的所有DOM元素

Element element = elements.get(0); // 获取第1个元素

String title = element.text(); // 返回元素的文本

System.out.println(“网页标题：” + title);

Element element2 = doc.getElementById(“site_nav_top”); // 获取id=site_nav_top的DOM元素

String navTop = element2.text(); // 返回元素的文本

System.out.println(“口号：” + navTop);

}

/**

• Jsoup 查找 DOM 元素

*/

@Test

public void test2() throws IOException {

Document doc = Jsoup.parse(getHtml(“http://www.cnblogs.com/”)); // 解析网页 得到文档对象

Elements itemElements = doc.getElementsByClass(“post_item”); // 根据样式名称来查询DOM

System.out.println(“=输出post_item========”);

for (Element e : itemElements) {

System.out.println(e.html());//获取里面所有的 html 包括文本

System.out.println(“\n”);

}

Elements widthElements = doc.getElementsByAttribute(“width”); // 根据属性名称来查询DOM（id class type 等）,用的少一般很难找用这种方法

System.out.println(“=输出with的DOM========”);

for (Element e : widthElements) {

System.out.println(e.toString());//不能用 e.html() 这里需要输出 DOM

}

//

Elements targetElements = doc.getElementsByAttributeValue(“target”, “_blank”);

System.out.println(“=输出target-_blank的DOM========”);

for (Element e : targetElements) {

System.out.println(e.toString());

}

}

/**

• 有层级关系

*/

@Test

public void test3() throws IOException {

Document doc = Jsoup.parse(getHtml(“http://www.cnblogs.com/”)); // 解析网页 得到文档对象

Elements linkElements = doc.select(“#post_list .post_item .post_item_body h3 a”); //通过选择器查找所有博客链接DOM（范围重小到大）

for (Element e : linkElements) {

System.out.println(“博客标题：” + e.text());//超链接的内容

}

System.out.println(“--------------------带有href属性的a元素--------------------------------”);

Elements hrefElements = doc.select(“a[href]”); // 带有href属性的a元素

for (Element e : hrefElements) {

System.out.println(e.toString());

}

System.out.println(“------------------------查找扩展名为.png的图片----------------------------”);

Elements imgElements = doc.select(“img[src$=.png]”); // 查找扩展名为.png的图片DOM节点

for (Element e : imgElements) {

System.out.println(e.toString());

}

System.out.println(“------------------------获取第一个元素----------------------------”);

Element element = doc.getElementsByTag(“title”).first(); // 获取tag是title的所有DOM元素

String title = element.text(); // 返回元素的文本

System.out.println(“网页标题是：” + title);

}

/**

• 获取 DOM 元素属性值

*/

@Test

public void test4() throws IOException {

Document doc = Jsoup.parse(getHtml(“http://www.cnblogs.com/”)); // 解析网页 得到文档对象

Elements linkElements = doc.select(“#post_list .post_item .post_item_body h3 a”); //通过选择器查找所有博客链接DOM

for (Element e : linkElements) {

System.out.println(“博客标题：” + e.text());//获取里面所有的文本

System.out.println(“博客地址：” + e.attr(“href”));

System.out.println(“target：” + e.attr(“target”));

}

System.out.println(“------------------------友情链接----------------------------”);

Element linkElement = doc.select(“#friend_link”).first();

System.out.println(“纯文本：” + linkElement.text());//去掉 html

System.out.println(“------------------------Html----------------------------”);

System.out.println(“Html：” + linkElement.html());

}

/**

• 获取文章的 url

*/

@Test

public void test5() throws IOException {

Document doc = Jsoup.parse(getHtml(“http://www.cnblogs.com/”)); // 解析网页 得到文档对象

Elements linkElements = doc.select(“#post_list .post_item .post_item_body h3 a”); //通过选择器查找所有博客链接DOM

for (Element e : linkElements) {

System.out.println(e.attr(“href”));

}

}

}

六、Jsoup工具类

---

public class JsoupUtil {

/**

• 获取value值

• @param e

• @return

*/

public static String getValue(Element e) {

return e.attr(“value”);

}

/**

• 获取

• 和

• 之间的文本

• @param e

• @return

*/

public static String getText(Element e) {

return e.text();

}

/**

• 识别属性id的标签,一般一个html页面id唯一

• @param body

• @param id

• @return

*/

public static Element getID(String body, String id) {

Document doc = Jsoup.parse(body);

// 所有#id的标签

Elements elements = doc.select(“#” + id);

// 返回第一个

return elements.first();

}

/**

• 识别属性class的标签

• @param body

• @param class

• @return

*/

public static Elements getClassTag(String body, String classTag) {

Document doc = Jsoup.parse(body);

// 所有#id的标签

return doc.select(“.” + classTag);

}

/**

• 获取tr标签元素组

• @param e

• @return

*/

public static Elements getTR(Element e) {

return e.getElementsByTag(“tr”);

}

/**

• 获取td标签元素组

• @param e

• @return

*/

public static Elements getTD(Element e) {

return e.getElementsByTag(“td”);

}

/**

• 获取表元组

• @param table

• @return

*/

最后

由于文档内容过多，为了避免影响到大家的阅读体验，在此只以截图展示部分内容

• @param body

• @param class

• @return

*/

public static Elements getClassTag(String body, String classTag) {

Document doc = Jsoup.parse(body);

// 所有#id的标签

return doc.select(“.” + classTag);

}

/**

• 获取tr标签元素组

• @param e

• @return

*/

public static Elements getTR(Element e) {

return e.getElementsByTag(“tr”);

}

/**

• 获取td标签元素组

• @param e

• @return

*/

public static Elements getTD(Element e) {

return e.getElementsByTag(“td”);

}

/**

• 获取表元组

• @param table

• @return

*/

最后

[外链图片转存中…(img-fHBRPXb5-1718714074104)]

[外链图片转存中…(img-eqbhEfeM-1718714074105)]

由于文档内容过多，为了避免影响到大家的阅读体验，在此只以截图展示部分内容