jsoup 是一款 Java 的HTML 解析器

最新推荐文章于 2024-08-11 22:04:26 发布

xtpebg

最新推荐文章于 2024-08-11 22:04:26 发布

阅读量198

点赞数

分类专栏： Java 文章标签： javascript java ViewUI

本文链接：https://blog.csdn.net/xtpebg/article/details/84172776

版权

Java 专栏收录该内容

21 篇文章

订阅专栏

jsoup 是一款 Java 的HTML 解析器，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。请参考： http://jsoup.org/

jsoup的主要功能如下：

从一个URL，文件或字符串中解析HTML；

使用DOM或CSS选择器来查找、取出数据；

可操作HTML元素、属性、文本；

jsoup是基于MIT协议发布的，可放心使用于商业项目。

下载和安装：

maven安装方法：

把下面放入pom.xml下

<groupId>org.jsoup</groupId>

<artifactId>jsoup</artifactId>

</dependency>

用jsoup解析html的方法如下：

解析url html方法

Document
 doc 
=
 
Jsoup
.
connect
(
"http://example.com"
)
  
.
data
(
"query"
,
 
"Java"
)

  
.
userAgent
(
"Mozilla"
) 

  
.
cookie
(
"auth"
,
 
"token"
)

  
.
timeout
(
3000
)

  
.
post
();

从文件中解析的方法：

File
 input 
=
 
new
 
File
(
"/tmp/input.html"
);


Document
 doc 
=
 
Jsoup
.
parse
(
input
,
 
"UTF-8"
,
 
"http://example.com/"
);

类试js jsoup提供下面方法：

getElementById(String id) 用id获得元素
getElementsByTag(String tag) 用标签获得元素
getElementsByClass(String className) 用class获得元素
getElementsByAttribute(String key) 用属性获得元素

同时还提供下面的方法提供获取兄弟节点：

siblingElements() , firstElementSibling() , lastElementSibling() ;nextElementSibling() , previousElementSibling()

用下面方法获得元素的数据：

attr(String key) 获得元素的数据
attr(String key, String value) t设置元素数据
attributes() 获得所以属性
id() , className() classNames() 获得id class得值
text() 获得文本值
text(String value) 设置文本值
html() 获取html
html(String value) 设置html
outerHtml() 获得内部html
data() 获得数据内容
tag() 获得tag 和 tagName() 获得tagname

操作html提供了下面方法：

通过类似jquery的方法操作html

File
 input 
=
 
new
 
File
(
"/tmp/input.html"
);


Document
 doc 
=
 
Jsoup
.
parse
(
input
,
 
"UTF-8"
,
 
"http://example.com/"
);



Elements
 links 
=
 doc
.
select
(
"a[href]"
);
 
// a with href


Elements
 pngs 
=
 doc
.
select
(
"img[src$=.png]"
);

  
// img with src ending .png



Element
 masthead 
=
 doc
.
select
(
"div.masthead"
).
first
();

  
// div with class=masthead



Elements
 resultLinks 
=
 doc
.
select
(
"h3.r > a"
);
 
// direct a after h3

支持的操作有下面这些：

tagname 操作tag
ns|tag ns或tag
#id 用id获得元素
.class 用class获得元素
[attribute] 属性获得元素
[^attr] : 以attr开头的属性
[attr=value] 属性值为 value
[attr^=value] , [attr$=value] , [attr*=value]
[attr~=regex]正则
* :所以的标签

选择组合

el#id el和id定位
el.class e1和class定位
el[attr] e1和属性定位
ancestor child ancestor下面的 child

等等

抓取网站标题和内容及里面图片的事例：

Java代码

public void parse(String urlStr) {
// 返回结果初始化。
Document doc = null ;
try {
doc = Jsoup
.connect(urlStr)
.userAgent(
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.2.15)" ) // 设置User-Agent
.timeout(5000 ) // 设置连接超时时间
.get();
} catch (MalformedURLException e) {
log.error( e);
return ;
} catch (IOException e) {
if (e instanceof SocketTimeoutException) {
log.error( e);
return ;
}
if (e instanceof UnknownHostException){
log.error(e);
return ;
}
log.error( e);
return ;
}
system.out.println(doc.title());
Element head = doc.head();
Elements metas = head.select("meta" );
for (Element meta : metas) {
String content = meta.attr("content" );
if ( "content-type" .equalsIgnoreCase(meta.attr( "http-equiv" ))
&& !StringUtils.startsWith(content, "text/html" )) {
log.debug( urlStr);
return ;
}
if ( "description" .equalsIgnoreCase(meta.attr( "name" ))) {
system.out.println(meta.attr("content" ));
}
}
Element body = doc.body();
for (Element img : body.getElementsByTag( "img" )) {
String imageUrl = img.attr("abs:src" ); //获得绝对路径
for (String suffix : IMAGE_TYPE_ARRAY) {
if (imageUrl.indexOf( "?" )> 0 ){
imageUrl=imageUrl.substring(0 ,imageUrl.indexOf( "?" ));
}
if (StringUtils.endsWithIgnoreCase(imageUrl, suffix)) {
imgSrcs.add(imageUrl);
break ;
}
}
}
}

这里重点要提的是怎么获得图片或链接的决定地址：

如上获得绝对地址的方法String imageUrl = img.attr("abs:src");//获得绝对路径，前面添加abs：jsoup就会获得决定地址；

想知道原因，咱们查看下源码，如下：

Java代码

//该方面是先从map中找看是否有该属性key，如果有直接返回，如果没有检查是否
//以abs：开头
public String attr(String attributeKey) {
Validate.notNull(attributeKey);
if (hasAttr(attributeKey))
return attributes.get(attributeKey);
else if (attributeKey.toLowerCase().startsWith( "abs:" ))
return absUrl(attributeKey.substring( "abs:" .length()));
else return "" ;
}

接着查看absUrl方法：

Java代码

/**
* Get an absolute URL from a URL attribute that may be relative (i.e. an <code><a href></code> or
* <code><img src></code>).
* <p/>
* E.g.: <code>String absUrl = linkEl.absUrl("href");</code>
* <p/>
* If the attribute value is already absolute (i.e. it starts with a protocol, like
* <code>http://</code> or <code>https://</code> etc), and it successfully parses as a URL, the attribute is
* returned directly. Otherwise, it is treated as a URL relative to the element's {@link #baseUri}, and made
* absolute using that.
* <p/>
* As an alternate, you can use the {@link #attr} method with the <code>abs:</code> prefix, e.g.:
* <code>String absUrl = linkEl.attr("abs:href");</code>
*
* @param attributeKey The attribute key
* @return An absolute URL if one could be made, or an empty string (not null) if the attribute was missing or
* could not be made successfully into a URL.
* @see #attr
* @see java.net.URL#URL(java.net.URL, String)
*/
//看到这里大家应该明白绝对地址是怎么取的了
public String absUrl(String attributeKey) {
Validate.notEmpty(attributeKey);
String relUrl = attr(attributeKey);
if (!hasAttr(attributeKey)) {
return "" ; // nothing to make absolute with
} else {
URL base;
try {
try {
base = new URL(baseUri);
} catch (MalformedURLException e) {
// the base is unsuitable, but the attribute may be abs on its own, so try that
URL abs = new URL(relUrl);
return abs.toExternalForm();
}
// workaround: java resolves '//path/file + ?foo' to '//path/?foo', not '//path/file?foo' as desired
if (relUrl.startsWith( "?" ))
relUrl = base.getPath() + relUrl;
URL abs = new URL(base, relUrl);
return abs.toExternalForm();
} catch (MalformedURLException e) {
return "" ;
}
}
}