解析和遍历一个HTML文档
如何解析一个HTML文档:
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
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:
1)没有关闭的标签
<p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>
2)隐式标签
它可以自动将 <td>Table data</td>包装成<table><tr><td>?
3)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
1、文档由多个Elements和TextNodes组成 (以及其它辅助nodes).
2、其继承结构如下:Document继承Element继承Node. TextNode继承 Node.
3、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。
从一个URL加载一个Document
你需要从一个网站获取和解析一个HTML文档,并查找其中的相关数据。使用 Jsoup.connect(String url)方法:
Document doc = Jsoup.connect("//www.sougou.net/").get();
String title = doc.title();
解说
connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。如果从该URL获取HTML时发生错误,便会抛出 IOException,应适当处理。
Connection 接口还提供一个方法链来解决特殊请求,具体如下:
Document doc = Jsoup.connect("//www.jb51.net")
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(3000)
.post();
这个方法只支持Web URLs (http和https 协议); 假如你需要从一个文件加载,可以使用parse(File in, String charsetName) 代替。
从一个文件加载一个文档
对一个本地的HTML文件进行解析并从中抽取数据或进行修改。使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法:
File input = new File("/file/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "//www.sougou.net/");
解说
parse(File in, String charsetName, String baseUri) 这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误,将抛出IOException,应作适当处理。
baseUri 参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。
另外还有一个方法parse(File in, String charsetName)