Jsoup解析页面
① 通过HttpClient抓取到页面后,还需对页面进行解析,可以使用字符串处理工具解析页面,也可以使用正则表达式,也可以使用一款专门解析html页面的技术。
② Jsoup是一个可以解析html的工具包,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。
③ 主要功能:
a.从一个URL,文件或字符串中解析HTML;
b.使用DOM或CSS选择器来查找、取出数据;
c.可操作HTML元素、属性、文本;
Jsoup的使用方法:
添加Jsoup相关的jar包
<!--Jsoup-->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.10.3</version>
</dependency>
<!--测试-->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<!--工具-->
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-lang3</artifactId>
<version>3.7</version>
</dependency>
<dependency>
<groupId>commons-io</groupId>
<artifactId>commons-io</artifactId>
<version>2.6</version>
</dependency>
- 使用Jsoup.parse()(Jsoup类里面的parse方法):来解析页面,但这个方法是一个重载方法,有很多种类型参数:url(可通过url把页面加载到本地再进行解析,跟httpclient功能相像,但使用不多)、本地路径(直接解析保存到磁盘上的html)、string类型的变量。
- 进行解析之后就可以得到一个document对象
- 然后可以使用document对象的一些方法来解析
@Test
public void testJsoupUrl() throws Exception {
//解析url地址,参数1:url,参数2:超时时间,单位是毫秒
//使用Jsoup创建一个Document对象
Document document = Jsoup.parse(new URL("http://www.itcast.cn/"), 1000);
//若进行一个本地文件路径的html文件进行解析,如下
//参数1:本地文件路径,参数2:文件编码格式
Document document = Jsoup.parse(new File("D:\\jsoup.html"),"UTF-8");
//若进行一个string类型变量进行解析
//通过读取文件获取html内容
String html = FileUtils.readFileToString(new File("D:\\jsoup.html"), "UTF-8");
//解析字符串
Document document = Jsoup.parse(html);
//解析页面,用document对象的getElementsByTag()方法,通过识别标签对title来获取title的内容
Element title = document.getElementsByTag("title").first();
//text()方法,只保留标签对里面的文本信息
System.out.println(title.text());
}
解析html的两种方法:
使用document对象自带的方法解析
- document.getElementsByTag(String
tagName):根据标签名称来选择节点,注意elements本身是一个集合,集合的遍历打印
For(Elenment elemen : es3){
System.out.println(element);}
-
document.getElementsById(String id):根据id来选择节点
-
Elements.attr(String attributeKey—属性名):取节点某个属性的值
-
document.getElementsByClass(String className):根据class来选择节点
-
document.getElementsByAttribute(String key):根据属性选择节点
-
document.getElementsByAttributeValue(String key,String value):根据属性值选择节点
-
从元素中获取相应的数据
//1. 从元素中获取id
String str = element.id();
//2. 从元素中获取className
str = element.className();
//3. 从元素中获取属性的值attr
str = element.attr("id");
//4. 从元素中获取所有属性attributes
str = element.attributes().toString();
//5. 从元素中获取文本内容text
str = element.text();
Css选择器
document.select(参数可以是:标签,#ID值,.class名称,[属性],[属性=属性值])
// tagname: 通过标签查找元素,比如:span
Elements span = document.select("span");
// #id: 通过ID查找元素,比如:#city_bjj
String str = document.select("#city_bj").text();
// .class: 通过class名称查找元素,比如:.class_a
str = document.select(".class_a").text();
// [attribute]: 利用属性查找元素,比如:[abc]
str = document.select("[abc]").text();
// [attr=value]: 利用属性值来查找元素,比如:[class=s_name]
str = document.select("[class=s_name]").text();
CSS选择器组合解析
- el#id: 元素+ID,比如:
document.select("h3#city_bj")
- el.class: 元素+class,比如:
document.select("li.class_a")
- el[attr]: 元素+属性名,比如:
document.select("span[abc]")
- 任意组合: 比如:
document.select("span[abc].s_name")
- ancestor (空格不能漏)child: 查找某个元素下子元素,比如:.city_con li 查找"city_con"下的所有li,
document.select(".city_con li")
- parent > child: 查找某个父元素下的直接子元素,比如:.city_con > ul > li 查找city_con第一级(直接子元素)的ul,再找所有ul下的第一级li,
document.select(".city_con > ul > li")
- parent > *: 查找某个父元素下所有直接子元素,
document.select(".city_con > *")