jsoup是一款java的HTML解析器,可以直接解析某个URL、HTML文本内容,可以通过DOM以及类似于jquery的操作方法来取出和操作数据。
jsoup的主要功能如下:
1,从一个URL、文件或者字符串中解析HTML。
2,使用DOM或者CSS选择器来查找、取出数据。
3,可以操作HTML元素、属性和文本。
使用jsoup需要的jar包jsoup-1.6.2.jar。
载入HTML文档有三种方式:
(1):通过字符串的方式。
String html=“<html></html>”;
Document doc = Jsoup.parse(html);
(2):通过本地的文件的方式。
File htmlFile = new File("文件所在的路径");
Document doc = Jsoup.parse(htmlFile,字符编码,"BaseURL");
为什么要在第三个参数指定一个网址呢?
原因是在一个HTML文档中有很多例如链接、图片以及所引用的外部脚本、CSS文件等,而第三个名为BaseURL的参数的意思就是当HTML文档使用相对路径方式引用外部文件时,jsoup会自动为这些URL加上一个前缀,也就是BaseURL。
(3):通过URL的方式。
Connection conn = Jsoup.connect("URL");此方法返回的是一个Connection对象,通过该对象的get()方法获取Document。
Document doc = conn.get();
解析并提取HTML元素有两种方式:
(1):使用传统的DOM方式进行解析。
(2):使用Jsoup选择器。
选择器的基本用法:
选择器的组合用法: