http://www.cnblogs.com/xiaoMzjm/p/3899366.html
【背景】
在上一篇博文java爬取网页内容 简单例子(1)——使用正则表达式 里面,介绍了如何使用正则表达式去解析网页的内容,虽然该正则表达式比较通用,但繁琐,代码量多,现实中想要想出一条简单的正则表达式 对于没有很好正则表达式基础的人——比如说我T_T——是一件蛮困难的事。这一篇,我们改用jsoup,一个强大的解析html工具,去解析html,你会发现,一切都变得很容易。
【准备工作】
【先看效果】
目标网站:中国天气
目的:获取今天的天气
目标HTML代码:
View Code
解析的java代码:
(1)审查网页元素后发现,我们要的内容在上面的目标HTML代码中,在整个网页中是在 class="dn on" data-dn="7d1" 的
中(2)“今天” 两字在
中(3)“8日” 两字在
中(4)“雷阵雨” 三字在 class="wea" 中
(5)“33” 在第一个中
(6)“25” 在第二个中
(7)“微风” 两字在 第三个 中
有了上面的分析,要获取到这些天气内容就易如反掌了。如下java代码:
View Code
结果打印出:
1 今天
2 8日
3 雷阵雨
4 33°C
5 25°C
6 微风
【详解】
附:
java代码第13行:
从文档中我们可用看出,获取数据源的方法有三:
(1)从一段html代码字符串获取: Document doc = Jsoup.parse(html);
(2)从一个url获取: Document doc = Jsoup.connect("http://example.com/").get();
(3)从一个html文件获取 File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
这里,我们采取了第二种方法,从url中获取。
java代码第24、26、30、34、38行:
Document 继承自 Element 类, 而Element类有一个很好的方法,叫select , 这个选择器几乎无所不能。快速从一堆html代码中获取我们想要的一段,我觉得使用select最方便。下面我们来看怎么使用select方法来查找。
注:以下表格的结果都是使用以下语句打印出来的
for(Element e : elements) {
System.out.println(e.text());
}
select详解
描述
测试的HTML代码
select写法
结果
通过
标签名
来查找
33
25
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
来查找
36
20
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#
36
通过
class名
来查找
36
20
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 .
36
利用标签内
属性名
查找元素
36
36
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。
36
利用标签内
属性名前缀
查找元素
36
22
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【】。
36
22
利用标签内
属性名+正则表达式
查找元素
36
22
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【】
36
利用标签
文本包含某些内容
来查找
36
22
Elements elements = doc.select("span:contains(3)");
注:规则为 标签名:contains(文本值)
36
利用标签
文本包含某些内容+正则表达式
来查找
36
22
Elements elements = doc.select("span:matchesOwn(^3)");
注:规则为 标签名:matchesOwn(正则表达式),以上的正则表式的意思是以文本值以3为开头的标签
36
关于select,还有一些其他的查找方法,以上只列出个人觉得比较好用、常用的语法。
select方法返回的是一个Elements 对象,里面包含着找到的所有节点。遍历Elements ,通过get(index),就可以拿出具体的 节点了。通过节点的text()方法,就可用拿出文本值。
而想得到节点的其他属性,可以看API的介绍。
【结语】
jsoup还有其他强大的功能,在此只介绍其在获取网页特定内容的写法。希望对刚接触jsoup的人有帮助。