jsoup使用

<!-使用maven引入jsoup-->

<dependency>
	<groupId>org.jsoup</groupId>
	<artifactId>jsoup</artifactId>
	<version>1.7.3</version>
</dependency>

1、获取远程html页面的方法：

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

2、获取文件中的html页面的方法

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

jsoup提供下面方法：

 

• getElementById(String id) 用id获得元素
• getElementsByTag(String tag) 用标签获得元素
• getElementsByClass(String className) 用class获得元素
• getElementsByAttribute(String key)  用属性获得元素

同时还提供下面的方法提供获取兄弟节点：

 siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()

用下面方法获得元素的数据：

 

• attr(String key)  获得元素的数据
• attr(String key, String value) t设置元素数据
• attributes() 获得所以属性
• id(), className()  classNames() 获得id class得值
• text()获得文本值
•  text(String value) 设置文本值
• html() 获取html 
•  html(String value)设置html
• outerHtml() 获得内部html
• data()获得数据内容
• tag()  获得tag 和 tagName() 获得tagname

 

操作html提供了下面方法：

 

• append(String html), prepend(String html)
• appendText(String text), prependText(String text)
• appendElement(String tagName), prependElement(String tagName)
• html(String value)

通过类似jquery的方法操作html

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

Elements links = doc.select("a[href]"); // a with href
Elements pngs = doc.select("img[src$=.png]");
  // img with src ending .png

Element masthead = doc.select("div.masthead").first();
  // div with class=masthead

Elements resultLinks = doc.select("h3.r > a"); // direct a after h3

 

支持的操作有下面这些：

 

• tagname 操作tag
• ns|tag ns或tag
• #id  用id获得元素 
• .class 用class获得元素
• [attribute] 属性获得元素
• [^attr]: 以attr开头的属性
• [attr=value] 属性值为value
• [attr^=value], [attr$=value], [attr*=value] 
• [attr~=regex]正则
• *:所以的标签

选择组合

• el#id el和id定位
• el.class e1和class定位
• el[attr] e1和属性定位
• ancestor child ancestor下面的child
  
  

e.g.

public  void parse(String urlStr) {  
    // 返回结果初始化。  
  
    Document doc = null;  
    try {  
        doc = Jsoup  
                .connect(urlStr)  
                .userAgent(  
                        "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.2.15)") // 设置User-Agent  
                .timeout(5000) // 设置连接超时时间  
                .get();  
    } catch (MalformedURLException e) {  
        log.error( e);  
        return ;  
    } catch (IOException e) {  
        if (e instanceof SocketTimeoutException) {  
            log.error( e);  
                               return ;  
        }  
        if(e instanceof UnknownHostException){  
            log.error(e);  
            return ;  
        }  
        log.error( e);  
        return ;  
    }  
    system.out.println(doc.title());  
    Element head = doc.head();  
    Elements metas = head.select("meta");  
    for (Element meta : metas) {  
        String content = meta.attr("content");  
        if ("content-type".equalsIgnoreCase(meta.attr("http-equiv"))  
                && !StringUtils.startsWith(content, "text/html")) {  
            log.debug( urlStr);  
            return ;  
        }  
        if ("description".equalsIgnoreCase(meta.attr("name"))) {  
            system.out.println(meta.attr("content"));  
        }  
    }  
    Element body = doc.body();  
    for (Element img : body.getElementsByTag("img")) {  
        String imageUrl = img.attr("abs:src");//获得绝对路径  
        for (String suffix : IMAGE_TYPE_ARRAY) {  
            if(imageUrl.indexOf("?")>0){  
                imageUrl=imageUrl.substring(0,imageUrl.indexOf("?"));  
            }  
            if (StringUtils.endsWithIgnoreCase(imageUrl, suffix)) {  
                imgSrcs.add(imageUrl);  
                break;  
            }  
        }  
    }  
}  

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

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

说明

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

• 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

Selector选择器组合使用

• 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

伪选择器selectors

• :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