java jsoup解析html标签_Java中使用 jsoup 提取本地HTML页面的标签内容

1.引入maven依赖

org.jsoup

jsoup

1.10.2

2.代码

import java.io.BufferedReader;

import java.io.FileReader;

import java.io.IOException;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.select.Elements;

public class JsoupTest {

/**

* 读HTML文件

* @param pathname

* @return

*/

public static String readHtml(String path) {

StringBuffer buff = new StringBuffer();

// 建立一个对象，它把文件内容转成计算机能读懂的语言

try (FileReader reader = new FileReader(path); BufferedReader br = new BufferedReader(reader)) {

String line;

int count = 0;

while ((line = br.readLine()) != null) {

// 一次读入一行数据

buff.append(line);

count++;

}

} catch (IOException e) {

e.printStackTrace();

}

return buff.toString();

}

/**

* jsoup方法中 text() :用于获取获取标签的文本 html() ：获取标签里面的所有字符串包括html标签

* attr(attributeKey)获取属性里面的值，参数是属性名称

*/

public static void main(String[] args) {

try {

// 本地html存放路径

String file_path = "D:\\index.html";

// 读取html获取文档

String html = readHtml(file_path);

Document document = Jsoup.parse(html);

// 通过select获取元素

// 一个页面中的class可能会重复，为避免取多余的数据，

// 先取部分区域的数据，然后再从这部分区域数据中取出真正需要的数据

// 格式： class用"#"、id用"."、标签用h1 例如： div.title_area>h1

Elements div = document.select(".content_18313");// 外层部分区域标签内的数据

Elements title = div.select(".title_area>h1");// 真正需要标签内的数据

System.out.println("打印最终结果：" + title.text());

} catch (Exception e) {

e.printStackTrace();

}

}

}