Jsoup中文api内容简单整理

最新推荐文章于 2024-08-22 22:09:54 发布
最新推荐文章于 2024-08-22 22:09:54 发布
阅读量3.9k 收藏 11
点赞数 1
文章标签： joup 爬虫
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/smallhc/article/details/80670758
版权

中文api地址：jsou中文 

Jsoup

1.解析一个文档：

文档由多个Elements和TextNodes组成 (以及其它辅助nodes)

java.lang.Object

Node类: 基础，抽象节点模型。 元素，文档，注释等都是Node实例。

Element类: HTML元素由标签名称，属性和子节点（包括文本节点和其他元素）组成。 从元素中，您可以提取数据，遍历节点图并操作HTML。

Jsoup类：jsoup功能的核心公共接入点。

parse方法：

staticDocument   parse(Stringhtml)

          Parse HTML into a Document.

这方法能够将输入的HTML解析为一个新的文档 (Document）

只要解析的不是空字符串，就能返回一个结构合理的文档，其中包含(至少) 一个head和一个body元素。一旦拥有了一个Document，你就可以使用Document中适当的方法或它父类 Element和Node中的方法来取得相关数据。

 

解析一个html文档：

Stringhtml = "<html><head><title>Firstparse</title></head>"

  + "<body><p>Parsed HTML intoa doc.</p></body></html>";

// 其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果，无论HTML//式是否完整

Document doc = Jsoup.parse(html);

解析一个body片段：

Stringhtml = "<div><p>Lorem ipsum.</p>";

Document doc = Jsoup.parseBodyFragment(html);

Elementbody = doc.body();

parseBodyFragment 方法创建一个空壳的文档，并插入解析过的HTML到body元素中。假如你使用正常的 Jsoup.parse(String html) 方法，通常你也可以得到相同的结果，但是明确将用户输入作为 body片段处理，以确保用户所提供的任何糟糕的HTML都将被解析成body元素。

Document.body() 方法能够取得文档body元素的所有子元素，与 doc.getElementsByTag("body")相同。

从一个URL加载一个Document:

static Connection   connect(Stringurl)

             创建一个到URL的新连接。 用于获取和解析HTML页面。可能会有IOException

Document get()

            以GET方式执行请求，并解析结果。

String  title()

获取文档标题元素的字符串内容。

Connection  data(Stringkey, String value)

          添加请求数据参数。 请求参数在GET的请求查询字符串中发送，在POST的请求正文中发送。 一个请求可能有多个相同名称的值。

Connection  userAgent(StringuserAgent)

         设置请求用户代理标题。

Connection  cookie(Stringname, String value)

          设置要在请求中发送的Cookie

Connection  timeout(int millis)

          设置请求超时（连接和读取）

 Connection接口还提供一个方法链来解决特殊请求:

Document doc =Jsoup.connect("http://example.com")

  .data("query", "Java")

  .userAgent("Mozilla")

  .cookie("auth", "token")

  .timeout(3000)

  .post();

从文件加载一个文档：

static Document parse(InputStream in, String charsetName, StringbaseUri)

          方法用来加载和解析一个HTML文件baseUri 参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。

File input = new File("/tmp/input.html");

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

使用DOM方法来遍历一个文档：

File input = newFile("/tmp/input.html");

Document doc =Jsoup.parse(input, "UTF-8", "http://example.com/");//通过本地读取文档。

Element content = doc.getElementById("content");//通过id获取元素

Elements links =content.getElementsByTag("a");//通过标签获取元素

for (Element link : links) {

  String linkHref =link.attr("href");//通过属性获取元素

  String linkText = link.text();//获取文档内容

}

使用选择器查找元素：

 

Elements    select(StringcssQuery)

查找与选择器CSS查询匹配的元素，并将此元素作为起始上下文。匹配的元素可能包含此元素或其任何子元素。

 

Select选择器用法：

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

2、Selector选择器组合使用语法

 

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

 

描述

测试的HTML代码

select写法

结果

通过 标签名 查找

<span>33</span>

<span>25</span>

Elements elements = doc.select("span");

注 ：通过标签来查找，直接写 "标签名" 就好， 不需要尖括号

33

25

通过 id 查找

<span id="mySpan">36</span>

<span>20</span>

Elements elements = doc.select("#mySpan");

注 ：通过id来查找，用 #



通过 class查找

<span class="myClass">36</span>

<span>20</span>

Elements elements = doc.select(".myClass");

注 ：通过class来查找，用 .



通过 属性名 查找

<span class="class1" id="id1">36</span>

<span class="class2" id="id2">36</span>

Elements elements = doc.select("span[class=class1]span[id=id1]");

注 ：查询规则为 标签名[属性名=属性值]，

标签名可写可不写，多个属性即多个[]，如上



通过 属性名前缀  查找

<span class="class1">36</span>

<span class="class2">22</span>

Elements elements = doc.select("span[^cl]");

注 ：查询规则为 标签名[^属性名前缀] ，

标签名可写可不写， 多个属性即多个[]

36

22

通过 属性名+正则表达式 查找

<span class="ABC">36</span>

<span class="ADE">22</span>

Elements elements = doc.select("span[class~=^AB]");

注 ：查询规则为 标签名[属性名~=正则表达式]，

标签名可写可不写，多个属性即多个[]



通过 文本内容 查找

<span>36</span>

<span>22</span>

Elements elements = doc.select("span:contains(3)");

 注 ：查询规则为 标签名:contains(文本值)



通过 文本内容+正则表达式 查找

<span>36</span>

<span>22</span>

Elements elements = doc.select("span:matchesOwn(^3)");

注 ：查询规则为  标签名:matchesOwn(正则表达式)

3、Selector伪选择器语法

 

: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：forminput: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。

。

从元素抽取属性，文本和HTML:

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

String html ="<p>An <ahref='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();

    // "<ahref="http://example.com"><b>example</b></a>"

String linkInnerH =link.html(); // "<b>example</b>"//取得链接内的html内容

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。

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/

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(Stringkey)。

 



Android常用第三方框架整理
学无止境
06-01 7713
缓存 DiskLruCacheLRU(Least Recently Used)，即近期最少使用算法。使用缓存策略， 对网络上下载的图片等资源文件进行缓存， 当再次请求同一个资源url时， 首先从缓存中查找是否存在， 当不存在时再从网络上下载。采用缓存， 除了提高获取资源的速度， 也对减少使用用户手机上的流量有很好的作用. 核心思想是当缓存满时，会优先淘汰那些最少使用的缓存对象。采用LRU算法的缓存有...
jsoup 中文 api 文档
06-08
jsoup 中文 api 文档，网页版，方便查看
JSoup HTML解析器
fover717的专栏
12-18 7569
JSoup jsoup Cookbook(中文版) 入门 解析和遍历一个html文档 输入 解析一个html字符串解析一个body片断根据一个url加载Document对象根据一个文件加载Document对象 数据抽取 使用dom方法来遍历一个Document对象使用选择器语法来查找元素从元素集合抽取属性、文本和html内容URL处理程序示例：获取
Java网络爬虫——jsoup快速上手，爬取京东数据。同时解决‘京东安全’防爬问题
最新发布
Innocence_0的博客
08-22 1436
网络爬虫，就是在浏览器上，代替人类爬取数据，Java网络爬虫就是通过Java编写爬虫代码，代替人类从网络上爬取信息数据。程序员通过设定既定的规则，让程序代替我们从网络上获取海量我们需要的数据，比如图片，企业信息等。爬虫的关键是对于网页信息的解析。jsoup是一个用于处理现实世界HTML的Java库。它提供了一个非常方便的API，用于获取URL以及提取和操作数据，使用最好的HTML5DOM方法和CSS选择器。
jsoup中文教程
weixin_34195364的博客
08-24 86
2019独角兽企业重金招聘Python工程师标准>>> ...
jsoup中文API
machihaoyu的专栏
05-03 1892
jsoup Cookbook(中文版) 入门 解析和遍历一个html文档 输入 解析一个html字符串解析一个body片断根据一个url加载Document对象根据一个文件加载Document对象 数据抽取 使用dom方法来遍历一个Document对象使用选择器语法来查找元素从元素集合抽取属性、文本和html内容URL处理程序示例：获取所有链接
jsoup
记录点滴
01-28 2131
jsoup文档：Selector (jsoup Java HTML Parser 1.14.3 API)declaration: package: org.jsoup.select, class: Selectorhttps://jsoup.org/apidocs/org/jsoup/select/Selector.html 一. 选择器 html如下： String html = "<ul class=\"browser\">\n" + "
Jsoup教程jsoup开发指南,jsoup中文使用手册,jsoup中文文档
weixin_30875157的博客
07-27 480
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： 从一个URL，文件或字符串中解析HTML； 使用DOM或CSS选择器来查找、取出数据； 可操作HTML元素、属性、文本； jsoup是基于M...
Android基于Jsoup的网络爬虫(1)
2401_83817122的博客
04-20 1521
​随着网络的迅速发展,互联网成为大量信息的载体，如何有效的利用这些信息成为巨大的挑战。区别于搜索引擎，定向抓取相关网页资源的网络爬虫应用而生，可以根据既定的抓取目标有效的选择网络上需要的网页资源和信息。如用户想获得知乎豆瓣等网站上的主要数据进行分析，如用户想获得某个论坛贴吧内的所有图片等，把这项工作交给网络爬虫，可以大大提高人们的效率。Android返回的是json格式的字符串，web返回的是页面，通过Jsoup我们可以方便的对网页的数据进行操作。1.从一个字符串、文件或者一个 URL 中解析HTML。
整理的Android资源代码 源码 整理 Github开源项目下载地址
源码分享的博客
11-02 9269
主要介绍那些不错个性化的View，捡代码论坛整理提供。包括ListView、ActionBar、Menu、ViewPager、Gallery、GridView、ImageView、ProgressBar、TextView、ScrollView、TimeView、TipView、FlipView、ColorPickView、GraphView、UI Style等等。手机游戏源码,网站源码,棋牌游戏源码,IT视频教程,应用程序源码。整理的Android资源代码 源码 整理 Github开源项目下载地址
java个人整理知识点
kelvin
12-15 665
发展： 1.SE 标准版。 2.EE 企业版，基于SE。 3.ME 已经淘汰。 JDK、JRE和JVM： JDK： 称为Java开发工具包（ Java Development Kit）。Java开发人士需要下载和安装JDK，目前的主流版本为JDK11。 JRE： 称之为Java SE运行时环境（Java SE Runtime Environment），提供了运行Java应用程序所必须的软件环境等。无论是.
jsoup中文帮助文档
12-06
jsoup 中文帮助文档 1. 解析和遍历一个html文档输入 2. 解析一个html字符串 3. 解析一个body片断 4. 根据一个url加载Document对象 5. 根据一个文件加载Document对象数据抽取 6. 使用dom方法来遍历一个Document对象 7. 使用选择器语法来查找元素 8. 从元素集合抽取属性、文本和html内容 9. URL处理 10. 程序示例：获取所有链接数据修改 11. 设置属性值 12. 设置元素的html内容 13. 设置元素的文本内容html清理 14. 消除不受信任的html (来防止xss攻击)
jsoupAPI中文版
07-12
jsoupAPI中文版
jsoup爬虫中文api
10-10
此api来源于http://www.open-open.com/jsoup/，此文档只是作为备份，已备不时之需。
jsoup.jar(包含中文API)
11-08
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。 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是基于MIT协议发布的，可放心使用于商业项目。
Android资源代码 源码 整理 Github开源项目下载地址
wengsheng147的专栏
03-26 5719
第一部分 个性化控件(View) 主要介绍那些不错个性化的View，包括ListView、ActionBar、Menu、ViewPager、Gallery、GridView、ImageView、ProgressBar、TextView、ScrollView、TimeView、TipView、FlipView、ColorPickView、GraphView、UI Style等等。 一、L
jsoup 简介、中文文档、中英对照文档 下载
寒水馨
01-24 1270
jsoup 简介、中文文档、中英对照文档 下载；jsoup、org.jsoup、中文文档、中英对照文档、下载、包含jar包、原API文档、源代码、Maven依赖信息文件、翻译后的API文档、jsoup、中英对照文档、jar包、java；jsoup是一个用于处理真实世界 HTML 的 Java 库。它提供了一个非常方便的 API，用于获取 URL 以及提取和操作数据，使用最好的 HTML5 DOM 方法和 CSS 选择器。jsoup实现了WHATWG HTML5规范，并将 HTML 解析为与现代浏览器相同的
jsoup中文参考手册
coolcao的coder点滴
05-04 1860
http://www.open-open.com/jsoup/
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值