HTML 解析器---Jsoup学习笔记_jsoup详细笔记-CSDN博客

HTML 解析器---Jsoup学习笔记

最近做的一个小项目需要频繁的抓取网页数据，于是开始接触jsoup，从最开始的不熟悉到现在能够稍稍熟练使用，抓取一些简单的数据，以及一些处理一些网络请求，也是有了不小的进步，做下笔记供学习者参考，也作为自己以后回顾的资料。

首先附上jar包供下载使用点击下载jar包

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。使用起来真的非常方便、高效。

1.从URL加载一个Document：

<span style="font-size:14px;"><span style="font-size:14px;">Document doc = Jsoup.connect("http://example.com/").get();
//即可返回一个Document对象，然后可以进行其他操作。
</span></span>

2.从本地加载一个html文件进行解析：

<span style="font-size:14px;"><span style="font-size:14px;">Jsoup.parse(File in, String charsetName, String baseUri;
如：
</span><pre><span style="font-size:14px;"><code class="prettyprint">File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");</code></span></span>

使用DOM方法来遍历一个文档

将HTML解析成一个Document之后，就可以使用类似于DOM的方法进行操作。示例代码：

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

Element content = doc.getElementById("content");
Elements links = content.getElementsByTag("a");
for (Element link : links) {
  String linkHref = link.attr("href");
  String linkText = link.text();
}

Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下：

查找元素

      <span style="font-size:14px;">getElementById(String id)
    getElementsByTag(String tag)
    getElementsByClass(String className)
    getElementsByAttribute(String key) (and related methods)
    Element siblings: siblingElements(),firstElementSibling(),lastElementSibling();nextElementSibling(),previousElementSibling()
    Graph: parent(),children(),child(int index)</span>

元素数据

<span style="font-size:14px;">    attr(String key)获取属性attr(String key, String value)设置属性
    attributes()获取所有属性
    id(),className() andclassNames()
    text()获取文本内容text(String value) 设置文本内容
    html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
    outerHtml()获取元素外HTML内容
    data()获取数据内容（例如：script和style标签)
    tag() andtagName()</span>

操作HTML和文本

<span style="font-size:14px;">    append(String html),prepend(String html)
    appendText(String text),prependText(String text)
    appendElement(String tagName),prependElement(String tagName)
    html(String value)</span>

使用选择器语法来查找元素

你想使用类似于CSS或jQuery的语法来查找和操作元素。

可以使用Element.select(String selector) 和 Elements.select(String selector) 方法实现：

<span style="font-size:14px;">File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

Elements links = doc.select("a[href]"); //带有href属性的a元素
Elements pngs = doc.select("img[src$=.png]");
  //扩展名为.png的图片

Element masthead = doc.select("div.masthead").first();
  //class等于masthead的div标签

Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素</span>

jsoup elements对象支持类似于CSS (或jquery)的选择器语法，来实现非常强大和灵活的查找功能。.

这个select 方法在Document,Element,或Elements对象中都可以使用。且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。

Select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。

Selector选择器概述

<span style="font-size:14px;">    tagname: 通过标签查找元素，比如：a
    ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 <fb:name> 元素
    #id: 通过ID查找元素，比如：#logo
    .class: 通过class名称查找元素，比如：.masthead
    [attribute]: 利用属性查找元素，比如：[href]
    [^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素
    [attr=value]: 利用属性值来查找元素，比如：[width=500]
    [attr^=value], [attr$=value],[attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href*=/path/]
    [attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如：img[src~=(?i)\.(png|jpe?g)]
    *: 这个符号将匹配所有元素</span>

Selector选择器组合使用

 <span style="font-size:14px;">   el#id: 元素+ID，比如： div#logo
    el.class: 元素+class，比如： div.masthead
    el[attr]: 元素+class，比如： a[href]
    任意组合，比如：a[href].highlight
    ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有p元素
    parent > child: 查找某个父元素下的直接子元素，比如：可以用div.content > p 查找p 元素，也可以用body > * 查找body标签下所有直接子元素
    siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div
    siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p
    el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo</span>

伪选择器selectors

   <span style="font-size:14px;">  :lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素
    :gt(n):查找哪些元素的同级索引值大于n，比如：div p:gt(2)表示哪些div中有包含2个以上的p元素
    :eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
    :has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
    :not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
    :contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如：p:contains(jsoup)
    :containsOwn(text): 查找直接包含给定文本的元素
    :matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
    :matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
    注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等</span>

从元素抽取属性，文本和HTML

在解析获得一个Document实例对象，并查找到一些元素之后，你希望取得在这些元素中的数据。

要取得一个属性的值，可以使用Node.attr(String key) 方法
对于一个元素中的文本，可以使用Element.text()方法
对于要取得元素或属性中的HTML内容，可以使用Element.html(), 或Node.outerHtml()方法

示例：

<span style="font-size:14px;">String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";
Document doc = Jsoup.parse(html);//解析HTML字符串返回一个Document实现
Element link = doc.select("a").first();//查找第一个a元素

String text = doc.body().text(); // "An example link"//取得字符串中的文本
String linkHref = link.attr("href"); // "http://example.com/"//取得链接地址
String linkText = link.text(); // "example""//取得链接地址中的文本

String linkOuterH = link.outerHtml(); 
    // "<a href="http://example.com"><b>example</b></a>"
String linkInnerH = link.html(); // "<b>example</b>"//取得链接内的html内容</span>

说明

上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用：

    Element.id()
    Element.tagName()
    Element.className() and Element.hasClass(String className)

这些访问器方法都有相应的setter方法来更改数据.

处理URLs

你有一个包含相对URLs路径的HTML文档，需要将这些相对路径转换成绝对路径的URLs。

在你解析文档时确保有指定base URI，然后
使用 abs: 属性前缀来取得包含base URI的绝对路径。代码如下：

<span style="font-size:14px;">Document doc = Jsoup.connect("http://www.open-open.com").get();

Element link = doc.select("a").first();
String relHref = link.attr("href"); // == "/"
String absHref = link.attr("abs:href"); // "http://www.open-open.com/"</span>

在HTML元素中，URLs经常写成相对于文档位置的相对路径： <a href="/download">...</a>. 当你使用Node.attr(String key) 方法来取得a元素的href属性时，它将直接返回在HTML源码中指定定的值。

假如你需要取得一个绝对路径，需要在属性名前加 abs: 前缀。这样就可以返回包含根路径的URL地址attr("abs:href")

因此，在解析HTML文档时，定义base URI非常重要。

如果你不想使用abs: 前缀，还有一个方法能够实现同样的功能 Node.absUrl(String key)。

设置属性的值

在你解析一个Document之后可能想修改其中的某些属性值，然后再保存到磁盘或都输出到前台页面。

方法

可以使用属性设置方法 Element.attr(String key, String value), 和Elements.attr(String key, String value).

假如你需要修改一个元素的 class 属性，可以使用 Element.addClass(String className) 和 Element.removeClass(String className) 方法。

Elements 提供了批量操作元素属性和class的方法，比如：要为div中的每一个a元素都添加一个rel="nofollow" 可以使用如下方法：

doc.select("div.comments a").attr("rel", "nofollow");

说明

与Element中的其它方法一样，attr 方法也是返回当Element (或在使用选择器是返回Elements 集合)。这样能够很方便使用方法连用的书写方式。比如：

doc.select("div.masthead").attr("title", "jsoup").addClass("round-box");

设置一个元素的HTML内容

可以使用Element中的HTML设置方法具体如下：

Element div = doc.select("div").first(); // <div></div>
div.html("<p>lorem ipsum</p>"); // <div><p>lorem ipsum</p></div>
div.prepend("<p>First</p>");//在div前添加html内容
div.append("<p>Last</p>");//在div之后添加html内容
// 添完后的结果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div>

Element span = doc.select("span").first(); // <span>One</span>
span.wrap("<li><a href='http://example.com/'></a></li>");
// 添完后的结果: <li><a href="http://example.com"><span>One</span></a></li>

说明

Element.html(String html) 这个方法将先清除元素中的HTML内容，然后用传入的HTML代替。
Element.prepend(String first) 和Element.append(String last) 方法用于在分别在元素内部HTML的前面和后面添加HTML内容
Element.wrap(String around) 对元素包裹一个外部HTML内容。

设置元素的文本内容

可以使用Element的设置方法：

<span style="font-size:14px;">Element div = doc.select("div").first(); // <div></div>
div.text("five > four"); // <div>five > four</div>
div.prepend("First ");
div.append(" Last");
// now: <div>First five > four Last</div></span>