Jsoup
我们抓取到页面之后,还需要对页面进行解析。可以使用字符串处理工具解析页面,也可以使用正则表达式,但是这些方法都会带来很大的开发成本,所以我们需要使用一款专门解析html页面的技术。
1. jsoup介绍
- 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;
先加入Jsoup依赖:
<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.13.1</version>
</dependency>
<!-- https://mvnrepository.com/artifact/junit/junit -->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>
<!-- https://mvnrepository.com/artifact/commons-io/commons-io -->
<dependency>
<groupId>commons-io</groupId>
<artifactId>commons-io</artifactId>
<version>2.6</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.commons/commons-lang3 -->
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-lang3</artifactId>
<version>3.11</version>
</dependency>
2. jsoup解析
2.1 解析url
Jsoup可以直接输入url,它会发起请求并获取数据,封装为Document对象
//1.jsoup解析url
@Test
public void testUrl() throws Exception{
//解析url地址,第一个参数是访问的url,第二个参数是访问时候的超时时间
Document doc= Jsoup.parse(new URL("http://www.itcast.cn"), 1000);
//使用标签选择器,获取title标签中的内容
String title = doc.getElementsByTag("title").first().text();
//打印
System.out.println(title);
}
运行结果:
PS:虽然使用Jsoup可以替代HttpClient直接发起请求解析数据,但是往往不会这样用,因为实际的开发过程中,需要使用到多线程,连接池,代理等等方式,而jsoup对这些的支持并不是很好,所以我们一般把jsoup仅仅作为Html解析工具使用
2.2 解析字符串
先准备以下html文件
<html>
<head>
<title>传智播客官网-一样的教育,不一样的品质</title>
</head>
<body>
<div class="city">
<h3 id="city_bj">北京中心</h3>
<fb:img src="/2018czgw/images/slogan.jpg" class="slogan"/>
<div class="city_in">
<div class="city_con" style="display: none;">
<ul>
<li id="test" class="class_a class_b">
<a href="http://www.itcast.cn" target="_blank">
<span class="s_name">北京</span>
</a>
</li>
<li>
<a href="http://sh.itcast.cn" target="_blank">
<span class="s_name">上海</span>
</a>
</li>
<li>
<a href="http://gz.itcast.cn" target="_blank">
<span abc="123" class="s_name">广州</span>
</a>
</li>
<ul>
<li>天津</li>
</ul>
</ul>
</div>
</div>
</div>
</body>
</html>
Jsoup可以直接输入字符串,并封装为Document对象
@Test
public void testString() throws Exception{
//使用工具类读取文件,获取字符串
String content = FileUtils.readFileToString(new File("C:/Users/28486/Desktop/test.html"), "utf8");
//解析字符串
Document document = Jsoup.parse(content);
String title = document.getElementsByTag("title").first().text();
System.out.println(title);
}
2.3 解析文件
Jsoup可以直接解析文件,并封装为Document对象
@Test
public void testFile() throws Exception{
//解析文件
Document document = Jsoup.parse(new File("C:/Users/28486/Desktop/test.html"), "utf8");
String title = document.getElementsByTag("title").first().text();
System.out.println(title);
}
2.4 使用dom方式遍历文档
元素获取
- 1.根据id查询元素getElementById
- 2.根据标签获取元素getElementsByTag
- 3.根据class获取元素getElementsByClass
- 4.根据属性获取元素getElementsByAttribute
@Test
public void testDom() throws Exception{
//解析文件,获取Document对象
Document document = Jsoup.parse(new File("C:/Users/28486/Desktop/test.html"), "utf8");
//元素获取
//1.根据id查询元素getElementById
String cityBj = document.getElementById("city_bj").text();
System.out.println("获取到的元素内容是: "+cityBj);
//2.根据标签获取元素getElementsByTag
String span = document.getElementsByTag("span").first().text();
System.out.println(span);
//3.根据class获取元素getElementsByClass
String classAClassB = document.getElementsByClass("class_a class_b").first().text();
System.out.println(classAClassB);
String classA = document.getElementsByClass("class_a").first().text();
System.out.println(classA);
String classB = document.getElementsByClass("class_b").first().text();
System.out.println(classB);
//4.根据属性获取元素getElementsByAttribute
String abc = document.getElementsByAttribute("abc").first().text();
System.out.println(abc);
//5.通过属性和属性值获取
String href = document.getElementsByAttributeValue("href", "http://sh.itcast.cn").first().text();
System.out.println(href);
}
元素中获取数据
- 1.从元素中获取id
- 2.从元素中获取className
- 3.从元素中获取属性的值attr
- 4.从元素中获取所有属性attributes
- 5.从元素中获取文本内容text
@Test
public void testData() throws Exception{
//解析文件,获取document
Document document = Jsoup.parse(new File("C:/Users/28486/Desktop/test.html"), "utf8");
/*元素中获取数据
1.从元素中获取id*/
Element element = document.getElementById("test");
String id = element.id();
System.out.println("获取到的数据是:"+id);
//2.从元素中获取className
String className = element.className();
System.out.println("获取到的数据是:"+className);
Set<String> classSet = element.classNames();
for (String str:classSet) {
System.out.println(str);
}
//3.从元素中获取属性的值attr
String id1 = element.attr("id");
System.out.println(id1);
//4.从元素中获取所有属性attributes
Attributes attributes = element.attributes();
System.out.println(attributes.toString());
//5.从元素中获取文本内容text
String text = element.text();
System.out.println(text);
}
2.6 Selector选择器概述
tagname: 通过标签查找元素,比如:
span
#id: 通过ID查找元素,比如:# city_bj
. class: 通过class名称查找元素,比如:.class_a
[attribute]: 利用属性查找元素,比如:[abc]
[attr=value]: 利用属性值来查找元素,比如:[class=s_name]
@Test
public void testSelector() throws Exception{
//解析html文件,获取document对象
Document document = Jsoup.parse(new File("C:/Users/28486/Desktop/test.html"), "utf8");
//tagname: 通过标签查找元素,比如:span
Elements elements = document.select("span");
for (Element element : elements) {
System.out.println(element.text());
}
System.out.println("--------------");
//#id: 通过ID查找元素,比如:# city_bj.
Element element = document.select("#city_bj").first();
System.out.println(element.text());
System.out.println("--------------");
// class: 通过class名称查找元素,比如:.class_a
Element element1 = document.select(".class_a").first();
System.out.println(element1.text());
System.out.println("--------------");
//[attribute]: 利用属性查找元素,比如:[abc]
Element element2 = document.select("[abc]").first();
System.out.println(element2.text());
System.out.println("--------------");
Elements elements1 = document.select("[class=s_name]");
for (Element e : elements1) {
System.out.println(e.text());
}
}
2.7.Selector选择器组合使用
el#id: 元素+ID,比如:
h3#city_bj
el.class: 元素+class,比如:li.class_a
el[attr]: 元素+属性名,比如:span[abc]
任意组合: 比如:span[abc].s_name
ancestor child
: 查找某个元素下子元素,
比如:.city_con li
查找"city_con"下的所有li
parent > child: 查找某个父元素下的直接子元素,比如:
.city_con > ul > li
查找city_con第一级(直接子元素)的ul,再找所有ul下的第一级li
parent > *
: 查找某个父元素下所有直接子元素
@Test
public void testSelector2() throws Exception{
//获取Document
Document document = Jsoup.parse(new File("C:/Users/28486/Desktop/test.html"), "utf8");
//el#id: 元素+ID,比如: h3#city_bj
Element element = document.select("h3#city_bj").first();
System.out.println(element.text());
//el.class: 元素+class,比如: li.class_a
element = document.select("li.class_a").first();
System.out.println(element.text());
element=document.select("span").first();
System.out.println(element.text());
//el[attr]: 元素+属性名,比如: span[abc]
element=document.select("span[abc]").first();
System.out.println(element.text());
//任意组合: 比如:span[abc].s_name
element=document.select("span[abc].s_name").first();
System.out.println(element.text());
//ancestor child: 查找某个元素下子元素,比如:.city_con li 查找"city_con"下的所有li
Elements elements = document.select(".city_con li");
for (Element e : elements) {
System.out.println("遍历的结果: "+e.text());
}
System.out.println("----------------");
//parent > child: 查找某个父元素下的直接子元素,
//比如:.city_con > ul > li 查找city_con第一级(直接子元素)的ul,再找所有ul下的第一级li
elements = document.select(".city_con > ul > li");
for (Element e : elements) {
System.out.println("遍历的结果: "+e.text());
}
System.out.println("----------------");
//parent > * 查找某个父元素下所有直接子元素.city_con > *
elements = document.select(".city_con > *");
for (Element e : elements) {
System.out.println("遍历的结果: "+e.text());
}
}