jsoup 标准化html代码,jsoup解析HTML用法小结

1.解析方式

(1)从字符串解析

String html = "

First parse"

+ "

Parse HTML into a doc.

";

Document doc = Jsoup.parse(html);

(2)从URL获取解析

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

String title = doc.title();

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

.data("query", "Java")

.userAgent("Mozilla")

.cookie("auth", "token")

.timeout(3000)

.post();

(3)从文件解析

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

Document doc = Jsoup.parse(input, "UTF-8", "http://www.yq1012.com/");

2.DOM方式遍历元素

(1)搜索元素

getElementById(String id)

getElementByTag(String tag)

getElementByClass(String className)

getElementByAttribute(String key)

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

parent(), children(), child(int index)

(2)获取元素数据

attr(String key) – 获取key属性

attributes() – 获取属性

id(), className(), classNames()

text() – 获取文本内容

html() – 获取元素内部HTML内容

outerHtml() – 获取包括此元素的HTML内容

data() – 获取或

tag(), tagName()

3.选择器语法(jsoup与其他解析器的区别就是可以使用类似jquery的选择器语法来搜索及过滤出所需的元素)

(1)基本选择器

tagname: 搜索tag标签的元素

ns|tag: 搜索命名空间内tag标签的元素，如fb|name：

#id: 搜索有指定id的元素

.class: 搜索有指定class的元素

[attribute]: 搜索有attrribute属性的元素

[^attri]: 搜索有以attri开头的属性的元素

[attr=value]: 搜索有指定属性及其属性值的元素

[attr^=value], [attr$=value], [attr*=value]: 搜索有指定attr属性，且其属性值是以value开头、结尾或包括value的元素，如[href*=/path/]

[attr~=regex]: 搜索有指定attr属性，且其属性值符合regex正则表达式的元素

*: 搜索所有元素

(2)选择器组合

el#id: 同时指定标签名称和id

el.class: 同时指定标签名称和class

el[attr]: 同时指定标签名称和及其中所含属性的名称

上述3项的任意组合，如a[href].highlight

ancestor child: 包含，如div.content p，即搜索

下含有

标签的元素

ancestor > child: 直接包含，如div.content > p，即搜索直属

节点下的

标签元素；div.content > *，即搜索

下的所有元素

siblingA + siblingB: 直接遍历，如div.head + div，即搜索

的元素，其中不再包含子元素

siblingA ~ siblingX: 遍历，如h1 ~ p，即

下直接或间接有

的元素

el, el, el: 组合多个选择器，搜索满足其中一个选择器的元素

(3)伪选择器(条件选择器)

:lt(n): 搜索n号元素之前的元素

:gt(n): 搜索n号元素之后的元素

:eq(n): 搜索n号元素

:has(seletor): 搜索符合指定选择器的元素

:not(seletor): 搜索不符合指定选择器的元素

:contains(text): 搜索包含指定文本的元素，区分大小写

:containsOwn(text): 搜索直接指包含指定文本的元素

:matches(regex): 搜索符合指定正则表达式的元素

:matchesOwn(regex): 搜索本元素文本中符合指定正则表达式的元素

注意：以上伪选择器的索引中，第一个元素位于索引0，第二个元素位于索引1，……

4.获取元素的属性、文本和HTML

获取元素的属性值：Node.attr(String key)

获取元素的文本，包括与其组合的子元素：Element.text()

获取HTML：Element.html()或Node.outerHtml()

5.操作URL

Element.attr("href") – 直接获取URL

Element.attr("abs:href")或Element.absUrl("href") – 获取完整URL。如果HTML是从文件或字符串解析过来的，需要调用Jsoup.setBaseUri(String baseUri)来指定基URL，否则获取的完整URL只会是空字符串

6.测试例子

li[class=info] a[class=Author] - 空格前后表示包含关系，即表示li里的a

div[class=mod mod-main mod-lmain]:contains(教学反思) - div中包含"教学反思"，适合同时有多个同名DIV的情况

/*

previousSibling()获取某标签前面的代码

nextSibling()获取某标签后的代码

如：

第一名：Lily

第二名：Tom

第三名：Peter

*/

Elements items = doc.select("form[id=form1]");

Elements prevs = items.select("br");

for(Element p : prevs){

String prevStr = p.previousSibling().toString().trim());

}

/*

最常用的链接抓取

*/

String itemTag = "div[class=mydiv]";

String linkTag = "a"

Elements items = doc.select(itemTag);

Elements links = items.select(linkTag);

for(Element l : links){

String href = l.attr("abs:href");//完整Href

String absHref = l.attr("href");//相对路径

String text = l.text();

String title = l.attr("title");

}

7.jsoup在线API