Jsoup是一款网络爬取数据的解析器,可以解析HTML文件中的任何子节点,支持离线HTML文件、字符型HTML内容、URL的解析。非常方便和实用。
Document doc = Jsoup.connect("https://www.zhihu.com/").get(); //File f = new File("pathname"); //Document doc = Jsoup.parse(f, "UTF-8", "");//离线文件形式 //Document doc = Jsoup.parse("html_String");//HTML格式的字符串 Elements links = doc.select("a[href]"); for (Element link : links) { sff.append(link.attr("abs:href")).append(" ").append(link.text()).append(" "); } myString = sff.toString(); Log.i("href:", myString);
它获取内容的主要方式如下几点:
1.通过标签名来查找
<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。
2.通过 id 来查找
<span id=\"mySpan\">36</span> <span>20</span>
Elements elements = doc.select("#mySpan");
注:通过id来查找,使用方法跟css指定元素一样,用#
3.通过 class名 来查找
<span class=\"myClass\">36</span><span>20</span>
Elements elements = doc.select(".myClass");
注:通过id来查找,使用方法跟css指定元素一样,用 .
4.利用标签内 属性名 查找元素
<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: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。
5.利用标签内 属性名前缀 查找元素
<span class=\"class1\" >36</span><span class=\"class2\" >22</span>
Elements elements = doc.select("span[^cl]");
注: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【】。
6.利用标签内 属性名+正则表达式 查找元素
<span class=\"ABC\" >36</span><span class=\"ADE\" >22</span>
Elements elements = doc.select("span[class~=^AB]");
注:规则为 标签名【属性名~=正则表达式】,以上的正则表达式的意思是查找以class值以AB为开头的标签,标签名可写可不写,多个属性即多个【】
7.利用标签 文本包含某些内容 来查找
<span>36</span><span>22</span>
Elements elements = doc.select("span:contains(3)");
注:规则为 标签名:contains(文本值)
8.利用标签 文本包含某些内容+正则表达式 来查找
<span>36</span><span>22</span>
Elements elements = doc.select("span:matchesOwn(^3)");