jsoup简介
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的主要类层次结构如图所示:
文档输入
jsoup可以从包括字符串、URL地址以及本地文件来加载HTML文档,并生成Document对象实例。
// 直接从字符串中输入 HTML 文档
String html = "<html><head><title>learn jsoup</title></head>"
+ "<body id='body'><p>Parse and traverse an HTML document.</p></body></html>";
Document doc = Jsoup.parse(html);
// 从URL直接加载 HTML 文档
Document doc = Jsoup.connect("http://itmyhome.com/").get();
String title = doc.title();
// 从文件中加载HTML文档
File input = new File("D:/index.html");
Document doc = Jsoup.parse(input, "UTF-8","http://itmyhome.com");
第三种方式parse方法也可以不指定第三个参数,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>itmyhome</a>
会被转换成 <a href=http://itmyhome.com/project>itmyhome</a>
。
数据抽取
使用DOM方法来遍历一个文档
String html = "<html><head><title>learn jsoup</title></head>"
+ "<body id='content'><a href='itmyhome.com'>hello</a>"
+ "<a href='blog.itmyhome.com'>jsoup</a></body></html>";
Document doc = Jsoup.parse(html);
Element content = doc.getElementById("c