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。
本文将使用Jsoup来解析和遍历一个HTML文档,希望通过本文大家对Jsoup爬虫有一个初步的认识和理解。
如何解析一个HTML文档,看下面的代码:String html = "
First parse"+ "
Parsed HTML into a doc.
";Document doc = Jsoup.parse(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的格式是否完整。比如它可以处理:没有关闭的标签 (比如:
Lorem
Ipsum parses to
Lorem
Ipsum
)隐式标签 (比如. 它可以自动将
Table data包装成?) 创建可靠的文档结构(html标签包含head 和 body,在head只出现恰当的元素) 一个文档的对象模型文档由多个Elements和TextNodes组成 (以及其它辅助nodes:详细可查看:nodes package tree). 一个Element包含一个子节点集合,并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。 参考资料 |