jsoup初识

最新推荐文章于 2023-03-30 16:07:22 发布

DanaeZhu

最新推荐文章于 2023-03-30 16:07:22 发布

阅读量646

点赞数 2

本文链接：https://blog.csdn.net/zhu752050240/article/details/47057855

版权

一、jsoup是什么?

jsoup是一款Java的html解析器，可解析HTML文本内容、URL地址，它有一套非常完善并且相当省里的API，你可以通过DOM,CSS以及类似于Jquery的操作方法对数据进行操作。

二、jsoup有什么用？

(1)从URL、文件或字符串中解析出HTML

(2)使用CSS选择器、DOM进行数据查找、获取；

(3)操作HTML元素、属性、文本；

(4)处理不完整的HTML格式（如没有关闭的标签，隐式标签，创建可靠的文档结构）；

三、jsoup的常用方法

(1)解析HTML字符串

Jsoup.parse(String html)：将HTML文档解析成一个新的文档(Document),便于你使用document中方法获取相关数据；
Jsoup.parse(String html,String baseUri):将HTML文档解析成一个新的Document文档，并且能够将相对的URL转成绝对的URL，并指定从哪个网站获取文档。示例代码：

String html = "<html><head><title>First parse</title></head><body><p>Parsed HTML into a doc.</p></body></html>";

Document doc = Jsoup.parse(html);

(2)解析body片段

Jsoup.parseBodyFragment(String html)：创建一个空的document文档，并插入解析过得HTML到body元素中。该方法与Jsoup.parse(String html)相似，然而，当明确将用户输入作为 body片段处理，该方法可以确保用户所提供的任何糟糕的HTML都将被解析成body元素。
Documen.body()：获取文档body元素的所有子元素，与doc.getElementByTag()相同。
Whitelist、Clean(String bodyHtml,Whitelist whitelist):用于清除用户输入的恶意内容。

(3)根据一个url加载Document对象

1. 1. Jsoup.connect(String url):从网站中获取以及解析一个HTML文档，查找其中相关数据，该方法只支持WEB URLs(http和https协议，若要从一个文件加载，则可以使用parse（File in,String charsetName）),示例代码

Document doc = Jsoup.connect("http://example.com/").get();

String title = doc.title();

(4)根据一个文件加载Document对象

Jsoup.parse(File in,String charsetName,String bserUri):解析、加载本机硬盘上的HTML文件，进行数据抽取、修改。中国baseUri用于解决文件中URLs是相对路径的问题，它可以为空。
Jsoup.parse(File in,Strig charsetName):适用于解析本地网站文件系统。

(6)使用dom方法遍历一个Document对象

Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下：

取得元素

1. getElementById(String id)
2. getElementsByTag(String tag)
3. getElementsByClass(String className)
4. getElementsByAttribute(String key) (and related methods)
5. Element siblings: siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()
6. Graph: parent(), children(), child(int index)

元素数据

- - attr(String key):获取属性
  - attr(String key, String value)设置属性
  - attributes()获取所有属性
  - id(), className() and classNames()
  - text()获取文本内容text(String value) 设置文本内容
  - html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
  - outerHtml()获取元素外HTML内容
  - data()获取数据内容（例如：script和style标签)
  - tag() and tagName()

操作HTML和文本

(7)使用选择器语法来查找元素

Element.select(String selector),Elements.select(String selector);示例代码：

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

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

Elements links = doc.select("a[href]"); //带有href属性的a元素

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

  //扩展名为.png的图片

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

  //class等于masthead的div标签

Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素

(8)从元素中抽取属性、文本以及HTML

Node.attr(String key):获取属性的值
Element.text():获取元素中的文本
Element.html():获取元素或属性中的HTML内容。

示例代码：

String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";

Document doc = Jsoup.parse(html);//解析HTML字符串返回一个Document实现

Element link = doc.select("a").first();//查找第一个a元素

String text = doc.body().text(); // "An example link"//取得字符串中的文本

String linkHref = link.attr("href"); // "http://example.com/"//取得链接地址

String linkText = link.text(); // "example""//取得链接地址中的文本

String linkOuterH = link.outerHtml();

    // "<a href="http://example.com"><b>example</b></a>"

String linkInnerH = link.html(); // "<b>example</b>"//取得链接内的html内容

(9)设置属性值

Element.attr(String key,String value);设置属性值
Elements.attr(String key,String value);设置属性值；
Element.addClass(String className):修改元素的class属性
Element.removeClass(String className):修改元素的class属性；
doc.select("div.comments a").attr("rel","nofollow")：为div中的每一个a元素都添加一个rel="nofollow"

(10)设置一个元素的HTML内容

Element.html(String html)：传入html，将之前的html清除
Element.prepend(String first):在元素内部html的前面添加html内容
Element.append(String last):在元素内部html的后面添加html内容
Element.wrap(String around):元素包裹一个外部html内容。

(11)设置元素文本内容

Element.text(String text):清除元素内部的html内容，用text文本代替
Element.prepend(String first)，Element.append(String last)：分别在元素的内部html前后添加文本节点。

四、jsoup的自我小结

Jsoup的语法比较简单，方法的通用性也很强，不用刻意去记jsoup的语法，在实践中边用变学习即可。

五、Selector选择器概述

tagname: 通过标签查找元素，比如：a
ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 <fb:name> 元素
#id: 通过ID查找元素，比如：#logo
.class: 通过class名称查找元素，比如：.masthead
[attribute]: 利用属性查找元素，比如：[href]
[^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素
[attr=value]: 利用属性值来查找元素，比如：[width=500]
[attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href*=/path/]
[attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i)\.(png|jpe?g)]
*: 这个符号将匹配所有元素

Selector选择器组合使用

el#id: 元素+ID，比如： div#logo
el.class: 元素+class，比如： div.masthead
el[attr]: 元素+class，比如： a[href]
任意组合，比如：a[href].highlight
ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有p元素
parent > child: 查找某个父元素下的直接子元素，比如：可以用div.content > p 查找 p 元素，也可以用body > * 查找body标签下所有直接子元素
siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div
siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p
el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo

伪选择器selectors

:lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素
:gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素
:eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
:has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
:not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)
:containsOwn(text): 查找直接包含给定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等