XML解析原理，以及用Jsoup进行XML解析

最新推荐文章于 2024-04-03 01:59:16 发布

_zmynsa

最新推荐文章于 2024-04-03 01:59:16 发布

阅读量1k

点赞数 2

分类专栏： JavaWeb

本文链接：https://blog.csdn.net/zmysn_a/article/details/84977940

版权

JavaWeb 专栏收录该内容

14 篇文章 0 订阅

订阅专栏

文章目录

1. XML解析概述

1.1 XML解析

读取XML文件中所有的元素和数据，封装成JavaBean，或者在java中使用这些数据

1.2 解析方式

DOM解析

Document Object Model 文档对象模型，在内存中创建一颗DOM树。可以对这棵树进行查询，修改，删除和添加。

优点：可以方便的操作XML中任何一个节点，可以进行增删改查的操作。

缺点：如果这个XML文件很大的时候，可能会出现内存泄漏的风险。

SAX解析

事件驱动型解析方式，读取一行解析一行。

优点：理论上可以解析任意大小的XML文件。

缺点：不能对XML文件进行修改，只能读取。读取完毕之后不能再访问之前已经访问过的页面。

1.3 常见的XML解析开发包

开发工具包	说明
JAXP	Oracle官方提供的API，同时支持DOM和SAX的开发
JDOM	JDOM是一个开源项目，它基于树型结构，利用纯JAVA的技术对XML文档实现解析、生成、序列化以及多种操作。
Dom4j	是JDOM的升级品，用来读写XML文件的。具有性能优异、功能强大和极其易使用的特点，它的性能超过sun公司官方的dom技术，同时它也是一个开放源代码的软件，Hibernate也用它来读写配置文件。
Jsoup	jsoup 是一款Java 的HTML和XML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。

2. DOM解析原理和结构模型

解析原理

XML DOM 和 HTML DOM一样，XML DOM将整个XML文档加载到内存，生成一个DOM树，并获得一个Document对象，通过Document对象可以对DOM进行操作。

结构模型

在这里插入图片描述

3. 使用Jsoup

导包

在这里插入图片描述

3.1 获取Document对象

由于DOM方式解析XML文档所有都是节点，所有节点又都被封装到Document对象中，所以解析的重点就是获取Document对象。

根据文档字符串获取Document

static Document parse(String html): 通过给定的html字符串内容获取文档对象

package com.zmysna.xml;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.junit.Test;

/**
 * 得到Document对象的三种方式
 */
public class Demo1Document {

    /**
     * 方式一：通过html的内容创建一个文档对象
     */
    @Test
    public void testDoc1() {
        //创建字符串，包含html文件内容
        String html = "<a href=\"#\">首页</a><a href=\"#\">门票</a>";
        //根据html文档字符串获取Document对象
        Document document = Jsoup.parse(html);
        //输出document，注：输出的document会自动加上html中其它的标签。
        System.out.println(document);
    }
}

根据文件获取Document

static Document parse(File in, String charsetName)根据文件和字符集获取文档对象。

/**
 * 方式二：解析已经存在的html文件
 */
@Test
public void testDoc2() throws IOException {

    //得到类路径下URL对象
    URL url = Demo1Document.class.getResource("/index.html");
    //通过URL对象得到文件的真实地址
    String path = url.getPath();
    //创建文件对象
    File file = new File(path);
    //通过文件对象和字符集得到Document对象
    Document document = Jsoup.parse(file, "utf-8");
    //输出Document对象的内容
    System.out.println(document);
}

通过 url 获取文档对象

static Connection connect(String url)通过url地址创建一个连接对象。
Document get()通过Connection连接对象获得一个Document文档对象

/**
 * 方式三：通过连接对象得到文档对象
 */
@Test
public void testDoc3() throws IOException {
    //定义一个具体html网页的url，如：http://www.itcast.cn
    String url = "http://www.itcast.cn";
    //调用connect()方法，创建一个连接对象
    Connection connection = Jsoup.connect(url);
    //调用连接对象的get()方法，得到一个文档对象
    Document document = connection.get();
    System.out.println(document);
}

3.2 通过GET方法获取ELement元素对象

getElementById(String id)	通过id得到一个元素
getElementsByTag(String tagName)	通过标签名得到一组元素
getElementsByClass(String className)	通过类名得到一组元素
getElementsByAttribute(String key)	通过属性名得到一组元素

package com.zmysna.xml;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.File;
import java.io.IOException;

/**
 * 使用GET方法得到元素
 */
public class Demo2Get {

    public static void main(String[] args) throws IOException {
        //获取资源文件index.xml路径地址
        String path = Demo2Get.class.getResource("/index.html").getPath();
        //获取的资源文件对象
        File file = new File(path);
        //解析资源文件并获取Document对象
        Document document = Jsoup.parse(file, "utf-8");
        //通过id得到home元素
        Element home = document.getElementById("home");
        //System.out.println(home);
        //获取index.html中所有h3标签名称的元素列表并打印输出
        Elements h3 = document.getElementsByTag("h3");
        //h3.forEach(System.out::println);
        //获取index.html中所有元素含有class属性值为item并打印输出
        Elements item = document.getElementsByClass("item");
        //item.forEach(System.out::println);
        //获取所有包含type属性的元素并输出
        Elements type = document.getElementsByAttribute("type");
        type.forEach(System.out::println);
    }
}

3.3 通过CSS选择器得到元素

//作用：通过CSS选择器得到一组元素
select(String cssQuery)		
//作用：通过CSS选择器得到一个元素，如果匹配到多个，只返回第一个元素。
selectFirst(String cssQuery)

描述	语法
根据id获取元素，id前面使用#符号	#ID
根据元素class属性获取元素	.类名
根据元素名称获取元素	标签名
利用属性值来查找元素	[属性名=‘属性值’]

package com.zmysna.xml
    
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.File;
import java.io.IOException;

/**
 * 使用CSS选择器查询元素
 */
public class Demo3CssQuery {

    public static void main(String[] args) throws IOException {
        //1)	获取资源文件index.html路径地址
        String path = Demo3CssQuery.class.getResource("/index.html").getPath();
        //获取的资源文件对象
        File file = new File(path);
        //解析资源文件并获取Document对象
        Document document = Jsoup.parse(file, "utf-8");
        //获取id="footer"元素并输出元素名称
        Element footer = document.selectFirst("#footer");
        //System.out.println(footer);
        //2)	含有class属性值为item并打印输出元素体内容
        Elements items = document.select(".item");
        //items.forEach(System.out::println);
        //3)	获取index.html中所有h3标签名称的元素列表并打印输出元素名称
        Elements h3 = document.select("h3");
        //h3.forEach(System.out::println);
        //4)	获取index.html中属性type值为"text"的所有元素列表并打印输出元素名称
        Elements elements = document.select("[type='text']");
        elements.forEach(System.out::println);
    }
}

3.4 ELement中的方法

Element对象的方法	说明
`String attr("属性名")`	得到指定的属性值
`Element children()`	得到当前元素的所有子元素
`String tagName()`	得到当前元素的标签名
`String text()`	得到当前元素主体内容
`String html()`	得到当前元素中的Html()

4. JsoupXPath

XPath 路径表达式的作用：DOM树中每个元素都有一个路径，可以通过这个路径来快速地找到某个指定的元素。不仅仅用在Jsoup中，其它的XML的DOM解析工具也是可以使用的，语法规则相同。

JsoupXpath 是一款纯Java开发的使用xpath解析HTML的解析器，JsoupXpath不是jsoup的一部分，是在jsoup基础上进行的扩展。

需要导包

1543974298465 )

4.1 核心类JXDocument和JXNode

JXDocument

核心方法	说明
`JXDocument(Document doc)`	创建JXDocument对象参数是：document对象
`List<JXNode> selN(String xpath)`	通过xpath得到一组节点，节点是元素，属性，文本父类
`JXNode selNOne(String xpath)`	通过xpath得到一个节点

JXNode

方法	描述
`List<JXNode> sel(String xpath)`	在某个节点的基础上再次使用xpath，再得到一组节点。相对路径的写法
Element getElement()	通过节点对象得到元素对象

4.2 四种Xpath语法

绝对路径
相对路径
全文搜索
条件筛选

4.2.1 绝对路径

package com.zmysna.xml;

import cn.wanghaomiao.xpath.exception.XpathSyntaxErrorException;
import cn.wanghaomiao.xpath.model.JXDocument;
import cn.wanghaomiao.xpath.model.JXNode;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.junit.Before;
import org.junit.Test;

import java.io.File;
import java.io.IOException;
import java.util.List;

/**
 * 使用Xpath查询元素
 */
public class Demo4XPath {

    JXDocument jxDocument;   //它可以使用xpath

    @Before
    public void init() throws IOException {
        //得到文件对象
        File file = new File(Demo4XPath.class.getResource("/index.html").getPath());
        //通过文件对象得到文档对象
        Document document = Jsoup.parse(file, "utf-8");
        //通过文档对象得到JXDocument对象
        jxDocument = new JXDocument(document);
    }

    //使用绝对路径
    @Test
    public void testAbsolute() throws XpathSyntaxErrorException {
        //定义Xpath表达式 /body/div/ul/li/a
        String xpath = "/body/div/ul/li/a";
        //使用jxDocument对象selN方法执行xpath获取元素节点列表
        List<JXNode> jxNodes = jxDocument.selN(xpath);
        //遍历输出每个节点
        jxNodes.forEach(System.out::println);
    }
}

4.2.2 相对路径

//使用相对路径
@Test
public void testRelative() throws XpathSyntaxErrorException {
    //先采用jxDocument绝对路径的方式获取body节点
    JXNode body = jxDocument.selNOne("/body");
    //定义相对路径查找body下面一级的div节点列表
    //JXNode中的sel()方法使用的是当前元素下的相对路径
    List<JXNode> div = body.sel("/div/ul");
    //打印输出所有的节点
    div.forEach(System.out::println);
}

4.2.3 全文搜索路径

语法	说明
//li	查询所有的li
//div/a/img	查询所有div下面的a下面img
//div//img/@src	查询所有div下面img下src的属性值
//link/@href	查询所有link下href属性值

//全文搜索
@Test
public void testGlobalSearch() throws XpathSyntaxErrorException {
    //直接全文搜索所有的li元素列表并打印
    List<JXNode> list1 = jxDocument.selN("//li");
    //list1.forEach(System.out::println);
    //直接全文搜索所有的div,再逐层级搜索下面的a元素下的img元素列表并打印
    List<JXNode> list2 = jxDocument.selN("//div/a/img");
    //list2.forEach(System.out::println);
    //搜索任何一级div下的所有子孙img的src的属性值
    List<JXNode> list3 = jxDocument.selN("//div//img/@src");
    //list3.forEach(System.out::println);
    //直接获取link元素里面href属性的值，注意属性要用@符号
    List<JXNode> list4 = jxDocument.selN("//link/@href");
    list4.forEach(System.out::println);
}

4.2.4 条件筛选

//条件过滤
@Test
public void testFilter() throws XpathSyntaxErrorException {
    //搜索li，属性为class="nav-active"的元素并打印
    List<JXNode> list1 = jxDocument.selN("//li[@class='nav-active']");
    //list1.forEach(System.out::println);
    //搜索li，属性为data-slide-to大于0的元素，再查询data-slide-to的属性值
    List<JXNode> list2 = jxDocument.selN("//li[@data-slide-to>0]/@data-slide-to");
    //list2.forEach(System.out::println);
    //搜索a标签，属性为href="login.html"的元素，得到它的文本。
    List<JXNode> list3 = jxDocument.selN("//a[@href='login.html']/text()");
    //list3.forEach(System.out::println);
    //搜索a标签，属性为href="index.html"的元素，得到它的HTML。
    List<JXNode> list4 = jxDocument.selN("//a[@href='index.html']/html()");
    list4.forEach(System.out::println);
}

_zmynsa

关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
1
评论
XML解析原理，以及用Jsoup进行XML解析

文章目录1. XML解析概述1.1 XML解析1.2 解析方式1.3 常见的XML解析开发包2. DOM解析原理和结构模型3. 使用Jsoup3.1 获取Document对象3.2 通过GET方法获取ELement元素对象3.3 通过CSS选择器得到元素3.4 ELement中的方法4. JsoupXPath4.1 核心类JXDocument和JXNode4.2 四种Xpath语法4.2.1 绝对...
复制链接

扫一扫