Jsoup详解
一、Jsoup概述
1.1、簡介
?? ?jsoup 是一款Java 的HTML解析器，可直接解析某個URL地址、HTML文本內容。它提供了一套非常省力的API，
可通過DOM，CSS以及類似于jQuery的操作方法來取出和操作數據。
1.2、Jsoup的主要功能
? ? 1）從一個URL，文件或字符串中解析HTML
? ? 2）使用DOM或CSS選擇器來查找、取出數據
? ? 3）可操作HTML元素、屬性、文本
? ? 注意：jsoup是基于MIT協議發布的，可放心使用于商業項目。
1.3、jsoup 的主要類層次結構
二、入門
2.1、解析和遍歷一個HTML文檔
如何解析一個HTML文檔：
String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>"; Document doc = Jsoup.parse(html);其解析器能夠盡最大可能從你提供的HTML文檔來創見一個干凈的解析結果，無論HTML的格式是否完整。比如它可以處理：
1）沒有關閉的標簽?
<p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>2）隱式標簽?
它可以自動將 <td>Table data</td>包裝成<table><tr><td>?3）創建可靠的文檔結構??
html標簽包含head 和 body，在head只出現恰當的元素? ? 2.2、一個文檔的對象模型? ? ? ? ? ? ? ??
?? ?? ? 1）文檔由多個Elements和TextNodes組成
?? ?? ? 2）其繼承結構如下：Document繼承Element繼承Node. TextNode繼承 Node.
?? ?? ? 3）一個Element包含一個子節點集合，并擁有一個父Element。他們還提供了一個唯一的子元素過濾列表。
三、輸入
3.1、解析一個HTML字符串
1）存在問題
來自用戶輸入，一個文件或一個網站的HTML字符串，你可能需要對它進行解析并取其內容，或校驗其格式是否完整，
或想修改它。怎么辦？?jsoup能夠幫你輕松解決這些問題
2）解決方法
?? ??? ? 使用靜態Jsoup.parse(String html) 方法或 Jsoup.parse(String html, String baseUri)
String html = "<html><head><title>First parse</title></head>"+ "<body><p>Parsed HTML into a doc.</p></body></html>"; Document doc = Jsoup.parse(html);? ? 3）描述
?? ??? ?? ? A:
?? ??? ??? ??? ?parse(String html, String baseUri) 這方法能夠將輸入的HTML解析為一個新的文檔 (Document），參數 baseUri 是用來將相對 URL 轉成絕對URL，
? 并指定從哪個網站獲取文檔。如這個方法不適用，你可以使用 parse(String html) 方法來解析成HTML字符串如上面的示例。? ? ? ??
?? ??? ??? ?B:
?? ??? ??? ??? ?只要解析的不是空字符串，就能返回一個結構合理的文檔，其中包含(至少) 一個head和一個body元素。
?? ??? ?? ? C:
?? ??? ??? ??? ?一旦擁有了一個Document，你就可以使用Document中適當的方法或它父類 Element和Node中的方法來取得相關數據。
3.2、解析一個body片斷
1）存在問題
?? ??? ? 假如你有一個HTML片斷 (比如. 一個 div 包含一對 p 標簽; 一個不完整的HTML文檔) 想對它進行解析。這個HTML片斷可以是用戶提交的一條評論
或在一個CMS頁面中編輯body部分。
2）辦法
?? ??? 使用Jsoup.parseBodyFragment(String html)方法。
String html = "<div><p>Lorem ipsum.</p>"; Document doc = Jsoup.parseBodyFragment(html); Element body = doc.body();3）說明
?? ?? ? A:
?? ??? ??? ?parseBodyFragment 方法創建一個空殼的文檔，并插入解析過的HTML到body元素中。假如你使用正常的 Jsoup.parse(String html) 方法，
通常你也可以得到相同的結果，但是明確將用戶輸入作為 body片段處理，以確保用戶所提供的任何糟糕的HTML都將被解析成body元素。?
?? ?? ? B:
?? ??? ??? ?Document.body() 方法能夠取得文檔body元素的所有子元素，與 doc.getElementsByTag("body")相同。
3.3、從一個URL加載一個Document
1）存在問題
你需要從一個網站獲取和解析一個HTML文檔，并查找其中的相關數據。
2）解決方法
使用 Jsoup.connect(String url)方法:
Document doc = Jsoup.connect("http://example.com/").get(); String title = doc.title();? ? 3）說明
?? ??? ?connect(String url) 方法創建一個新的 Connection, 和 get() 取得和解析一個HTML文件。如果從該URL獲取HTML時發生錯誤，便會拋出 IOException，應適當處理。
?? ??? ?Connection 接口還提供一個方法鏈來解決特殊請求，具體如下：
Document doc = Jsoup.connect("http://example.com";).data("query", "Java").userAgent("Mozilla").cookie("auth", "token").timeout(3000).post();?? ??? ?這個方法只支持Web URLs (http和https 協議); 假如你需要從一個文件加載，可以使用 parse(File in, String charsetName) 代替。
3.4、從一個文件加載文檔
1）存在問題
在本機硬盤上有一個HTML文件，需要對它進行解析從中抽取數據或進行修改。
2）方法
可以使用靜態 Jsoup.parse(File in, String charsetName, String baseUri) 方法：
File input = new File("/tmp/input.html"); Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/";);? ? 3）說明
?? ?? ? A:
?? ??? ??? ?parse(File in, String charsetName, String baseUri) 這個方法用來加載和解析一個HTML文件。如在加載文件的時候發生錯誤，將拋出IOException，應作適當處理。
?? ?? ? B:
?? ??? ??? ?baseUri 參數用于解決文件中URLs是相對路徑的問題。如果不需要可以傳入一個空的字符串。
?? ?? ? C:
?? ??? ??? ?另外還有一個方法parse(File in, String charsetName) ，它使用文件的路徑做為 baseUri。 這個方法適用于如果被解析文件位于網站的本地文件系統，
且相關鏈接也指向該文件系統。
四、數據抽取
4.1、使用DOM方法來遍歷一個文檔
1）存在問題
你有一個HTML文檔要從中提取數據，并了解這個HTML文檔的結構。
2）方法
將HTML解析成一個Document之后，就可以使用類似于DOM的方法進行操作。
File input = new File("/tmp/input.html"); Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");Element content = doc.getElementById("content"); Elements links = content.getElementsByTag("a"); for (Element link : links) {String linkHref = link.attr("href");String linkText = link.text(); }? 3）說明
Elements這個對象提供了一系列類似于DOM的方法來查找元素，抽取并處理其中的數據。具體如下：
A：查看元素
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)B：元素數據
attr(String key)獲取屬性attr(String key, String value)設置屬性attributes()獲取所有屬性id(), className() and classNames()text()獲取文本內容text(String value) 設置文本內容html()獲取元素內HTMLhtml(String value)設置元素內的HTML內容outerHtml()獲取元素外HTML內容data()獲取數據內容（例如：script和style標簽)tag() and tagName()C：操作HTML和文本
append(String html), prepend(String html)appendText(String text), prependText(String text)appendElement(String tagName), prependElement(String tagName)html(String value)4.2、使用選擇器語法來查找元素
1）存在問題
你想使用類似于CSS或jQuery的語法來查找和操作元素。
2）方法
可以使用Element.select(String selector) 和 Elements.select(String selector) 方法實現：
File input = new File("/tmp/input.html"); Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");Elements links = doc.select("a[href]"); //帶有href屬性的a元素 Elements pngs = doc.select("img[src$=.png]");//擴展名為.png的圖片Element masthead = doc.select("div.masthead").first();//class等于masthead的div標簽Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素3）說明
jsoup elements對象支持類似于CSS (或jquery)的選擇器語法，來實現非常強大和靈活的查找功能。.
這個select 方法在Document, Element,或Elements對象中都可以使用。且是上下文相關的，因此可實現指定元素的過濾，或者鏈式選擇訪問。
Select方法將返回一個Elements集合，并提供一組方法來抽取和處理結果。
A：Selector選擇器概述
tagname: 通過標簽查找元素，比如：a
ns|tag: 通過標簽在命名空間查找元素，比如：可以用 fb|name 語法來查找 <fb:name> 元素
#id: 通過ID查找元素，比如：#logo
.class: 通過class名稱查找元素，比如：.masthead
[attribute]: 利用屬性查找元素，比如：[href]
[^attr]: 利用屬性名前綴來查找元素，比如：可以用[^data-] 來查找帶有HTML5 Dataset屬性的元素
[attr=value]: 利用屬性值來查找元素，比如：[width=500]
[attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素，比如：[href*=/path/]
[attr~=regex]: 利用屬性值匹配正則表達式來查找元素，比如： img[src~=(?i)\.(png|jpe?g)]
*: 這個符號將匹配所有元素
B：Selector選擇器組合使用
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]
任意組合，比如：a[href].highlight
ancestor child: 查找某個元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素
parent > child: 查找某個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標簽下所有直接子元素
siblingA + siblingB: 查找在A元素之前第一個同級元素B，比如：div.head + div
siblingA ~ siblingX: 查找A元素之前的同級X元素，比如：h1 ~ p
el, el, el:多個選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo
C：偽選擇器selectors
:lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對于它的父節點）小于n，比如：td:lt(3) 表示小于三列的元素
:gt(n):查找哪些元素的同級索引值大于n，比如： div p:gt(2)表示哪些div中有包含2個以上的p元素
:eq(n): 查找哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個input標簽的Form元素
:has(seletor): 查找匹配選擇器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
:not(selector): 查找與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表
:contains(text): 查找包含給定文本的元素，搜索不區分大不寫，比如： p:contains(jsoup)
:containsOwn(text): 查找直接包含給定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正則表達式，比如：div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素
注意：上述偽選擇器索引是從0開始的，也就是
4.3、從元素抽取屬性，本文和HTML
1）存在問題
在解析獲得一個Document實例對象，并查找到一些元素之后，你希望取得在這些元素中的數據。
2）方法
要取得一個屬性的值，可以使用Node.attr(String key) 方法
對于一個元素中的文本，可以使用Element.text()方法
對于要取得元素或屬性中的HTML內容，可以使用Element.html(), 或 Node.outerHtml()方法
3）說明
上述方法是元素數據訪問的核心辦法。此外還其它一些方法可以使用：
| 1 2 3 | Element.id() Element.tagName() Element.className() and Element.hasClass(String className) |
這些訪問器方法都有相應的setter方法來更改數據.
4.4、處理URLs
1）存在問題
你有一個包含相對URLs路徑的HTML文檔，需要將這些相對路徑轉換成絕對路徑的URLs。
2）方法
在你解析文檔時確保有指定base URI，然后
使用 abs: 屬性前綴來取得包含base URI的絕對路徑。代碼如下：
3）說明
在HTML元素中，URLs經常寫成相對于文檔位置的相對路徑： <a href="/download">...</a>.
當你使用 Node.attr(String key) 方法來取得a元素的href屬性時，它將直接返回在HTML源碼中指定定的值。
假如你需要取得一個絕對路徑，需要在屬性名前加 abs: 前綴。這樣就可以返回包含根路徑的URL地址attr("abs:href")
因此，在解析HTML文檔時，定義base URI非常重要。
如果你不想使用abs: 前綴，還有一個方法能夠實現同樣的功能 Node.absUrl(String key)。
4.5、實例程序：獲取所有連鏈接
1）說明
這個示例程序將展示如何從一個URL獲得一個頁面。然后提取頁面中的所有鏈接、圖片和其它輔助內容。并檢查URLs和文本信息。
2）運行下面程序需要執行一個URLs作為參數
package org.jsoup.examples;import org.jsoup.Jsoup; import org.jsoup.helper.Validate; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements;import java.io.IOException;/*** Example program to list links from a URL.*/ public class ListLinks {public static void main(String[] args) throws IOException {Validate.isTrue(args.length == 1, "usage: supply url to fetch");String url = args[0];print("Fetching %s...", url);Document doc = Jsoup.connect(url).get();Elements links = doc.select("a[href]");Elements media = doc.select("[src]");Elements imports = doc.select("link[href]");print("\nMedia: (%d)", media.size());for (Element src : media) {if (src.tagName().equals("img"))print(" * %s: <%s> %sx%s (%s)",src.tagName(), src.attr("abs:src"), src.attr("width"), src.attr("height"),trim(src.attr("alt"), 20));elseprint(" * %s: <%s>", src.tagName(), src.attr("abs:src"));}print("\nImports: (%d)", imports.size());for (Element link : imports) {print(" * %s <%s> (%s)", link.tagName(),link.attr("abs:href"), link.attr("rel"));}print("\nLinks: (%d)", links.size());for (Element link : links) {print(" * a: <%s> (%s)", link.attr("abs:href"), trim(link.text(), 35));}}private static void print(String msg, Object... args) {System.out.println(String.format(msg, args));}private static String trim(String s, int width) {if (s.length() > width)return s.substring(0, width-1) + ".";elsereturn s;} }3）查看結果
Fetching http://news.ycombinator.com/...Media: (38)* img: <http://ycombinator.com/images/y18.gif> 18x18 ()* img: <http://ycombinator.com/images/s.gif> 10x1 ()* img: <http://ycombinator.com/images/grayarrow.gif> x ()* img: <http://ycombinator.com/images/s.gif> 0x10 ()* script: <http://www.co2stats.com/propres.php?s=1138>* img: <http://ycombinator.com/images/s.gif> 15x1 ()* img: <http://ycombinator.com/images/hnsearch.png> x ()* img: <http://ycombinator.com/images/s.gif> 25x1 ()* img: <http://mixpanel.com/site_media/images/mixpanel_partner_logo_borderless.gif> x (Analytics by Mixpan.)Imports: (2)* link <http://ycombinator.com/news.css> (stylesheet)* link <http://ycombinator.com/favicon.ico> (shortcut icon)Links: (141)* a: <http://ycombinator.com> ()* a: <http://news.ycombinator.com/news> (Hacker News)* a: <http://news.ycombinator.com/newest> (new)* a: <http://news.ycombinator.com/newcomments> (comments)* a: <http://news.ycombinator.com/leaders> (leaders)* a: <http://news.ycombinator.com/jobs> (jobs)* a: <http://news.ycombinator.com/submit> (submit)* a: <http://news.ycombinator.com/x?fnid=JKhQjfU7gW> (login)* a: <http://news.ycombinator.com/vote?for=1094578&dir=up&whence=%6e%65%77%73> ()* a: <http://www.readwriteweb.com/archives/facebook_gets_faster_debuts_homegrown_php_compiler.php?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+readwriteweb+%28ReadWriteWeb%29&utm_content=Twitter> (Facebook speeds up PHP)* a: <http://news.ycombinator.com/user?id=mcxx> (mcxx)* a: <http://news.ycombinator.com/item?id=1094578> (9 comments)* a: <http://news.ycombinator.com/vote?for=1094649&dir=up&whence=%6e%65%77%73> ()* a: <http://groups.google.com/group/django-developers/msg/a65fbbc8effcd914> ("Tough. Django produces XHTML.")* a: <http://news.ycombinator.com/user?id=andybak> (andybak)* a: <http://news.ycombinator.com/item?id=1094649> (3 comments)* a: <http://news.ycombinator.com/vote?for=1093927&dir=up&whence=%6e%65%77%73> ()* a: <http://news.ycombinator.com/x?fnid=p2sdPLE7Ce> (More)* a: <http://news.ycombinator.com/lists> (Lists)* a: <http://news.ycombinator.com/rss> (RSS)* a: <http://ycombinator.com/bookmarklet.html> (Bookmarklet)* a: <http://ycombinator.com/newsguidelines.html> (Guidelines)* a: <http://ycombinator.com/newsfaq.html> (FAQ)* a: <http://ycombinator.com/newsnews.html> (News News)* a: <http://news.ycombinator.com/item?id=363> (Feature Requests)* a: <http://ycombinator.com> (Y Combinator)* a: <http://ycombinator.com/w2010.html> (Apply)* a: <http://ycombinator.com/lib.html> (Library)* a: <http://www.webmynd.com/html/hackernews.html> ()* a: <http://mixpanel.com/?from=yc> ()五、數據修改
5.1、設置屬性值
1）存在問題
在你解析一個Document之后可能想修改其中的某些屬性值，然后再保存到磁盤或都輸出到前臺頁面。
2）方法
可以使用屬性設置方法 Element.attr(String key, String value), 和 Elements.attr(String key, String value).
假如你需要修改一個元素的 class 屬性，可以使用 Element.addClass(String className) 和 Element.removeClass(String className) 方法。
Elements 提供了批量操作元素屬性和class的方法，比如：要為div中的每一個a元素都添加一個 rel="nofollow" 可以使用如下方法：
doc.select("div.comments a").attr("rel", "nofollow");
3）說明
與Element中的其它方法一樣，attr 方法也是返回當 Element (或在使用選擇器是返回 Elements 集合)。
這樣能夠很方便使用方法連用的書寫方式。比如：
doc.select("div.masthead").attr("title", "jsoup").addClass("round-box");
5.2、設置一個元素的HTML內容
1）存在問題
你需要一個元素中的HTML的內容
2）方法
可以使用Element中的HTML設置方法具體如下：
Element div = doc.select("div").first(); // <div></div> div.html("<p>lorem ipsum</p>"); // <div><p>lorem ipsum</p></div> div.prepend("<p>First</p>");//在div前添加html內容 div.append("<p>Last</p>");//在div之后添加html內容 // 添完后的結果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div>Element span = doc.select("span").first(); // <span>One</span> span.wrap("<li><a href='http://example.com/'></a></li>"); // 添完后的結果: <li><a href="http://example.com"><span>One</span></a></li>3）說明
Element.html(String html) 這個方法將先清除元素中的HTML內容，然后用傳入的HTML代替。
Element.prepend(String first) 和 Element.append(String last) 方法用于在分別在元素內部HTML的前面和后面添加HTML內容
Element.wrap(String around) 對元素包裹一個外部HTML內容。
?
源地址：https://www.cnblogs.com/zhangyinhua/p/8037599.html
?
總結
- 上一篇： 悦读 FM
- 下一篇： (cLion、RubyMine、PyCh