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。
- 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
- 取得元素
getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key)
(and related methods)- Element siblings:
siblingElements()
,firstElementSibling()
,lastElementSibling()
;nextElementSibling()
,previousElementSibling()
- 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()
andclassNames()
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()
andtagName()
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
可以查看Selector
API参考来了解更详细的内容