您的位置：首页 > 编程语言 > Java开发

非常好用的一个Html解析的java类库 Jsoup

2015-11-11 17:14 417 查看


http://www.open-open.com/jsoup/parsing-a-document.htm


解析和遍历一个HTML文档

如何解析一个HTML文档：
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);


(更详细内容可查看 解析一个HTML字符串.)

其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果，无论HTML的格式是否完整。比如它可以处理：

没有关闭的标签 (比如： 
<p>Lorem <p>Ipsum
parses
to 
<p>Lorem</p> <p>Ipsum</p>
)
隐式标签 (比如. 它可以自动将 
<td>Table
data</td>
包装成
<table><tr><td>?
)
创建可靠的文档结构（html标签包含head 和 body，在head只出现恰当的元素）


一个文档的对象模型

文档由多个Elements和TextNodes组成 (以及其它辅助nodes：详细可查看：nodes package
tree).
其继承结构如下：
Document
继承
Element
继承
Node
. 
TextNode
继承 
Node
.
一个Element包含一个子节点集合，并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。


参见

数据抽取：DOM遍历
数据抽取：Selector syntax


从一个URL加载一个Document


存在问题

你需要从一个网站获取和解析一个HTML文档，并查找其中的相关数据。你可以使用下面解决方法：


解决方法

使用 
Jsoup.connect(String
url)
方法:
Document doc = Jsoup.connect("http://example.com/").get();
String title = doc.title();


说明

connect(String
url)
方法创建一个新的 
Connection
,
和 
get()
取得和解析一个HTML文件。如果从该URL获取HTML时发生错误，便会抛出
IOException，应适当处理。

Connection
接口还提供一个方法链来解决特殊请求，具体如下：
Document doc = Jsoup.connect("http://example.com")
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(3000)
.post();


这个方法只支持Web URLs (
http
和
https
协议);
假如你需要从一个文件加载，可以使用
parse(File
in, String charsetName)
代替。


从一个文件加载一个文档


问题

在本机硬盘上有一个HTML文件，需要对它进行解析从中抽取数据或进行修改。


办法

可以使用静态 
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/");


说明

parse(File
in, String charsetName, String baseUri)
这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误，将抛出IOException，应作适当处理。

baseUri
参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。

另外还有一个方法
parse(File
in, String charsetName)
，它使用文件的路径做为 
baseUri
。 这个方法适用于如果被解析文件位于网站的本地文件系统，且相关链接也指向该文件系统。


使用DOM方法来遍历一个文档


问题

你有一个HTML文档要从中提取数据，并了解这个HTML文档的结构。


方法

将HTML解析成一个
Document
之后，就可以使用类似于DOM的方法进行操作。示例代码：
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();
}


说明

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：


查找元素

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()
and 
classNames()

text()
获取文本内容
text(String
value)
设置文本内容
html()
获取元素内HTML
html(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

append(String
html)
, 
prepend(String
html)

appendText(String
text)
, 
prependText(String
text)

appendElement(String
tagName)
, 
prependElement(String
tagName)

html(String
value)



使用选择器语法来查找元素


问题

你想使用类似于CSS或jQuery的语法来查找和操作元素。


方法

可以使用
Element.select(String
selector)
和 
Elements.select(String
selector)
方法实现：
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


说明

jsoup elements对象支持类似于CSS (或jquery)的选择器语法，来实现非常强大和灵活的查找功能。.

这个
select
方法在
Document
, 
Element
,或
Elements
对象中都可以使用。且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。

Select方法将返回一个
Elements
集合，并提供一组方法来抽取和处理结果。


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


从元素抽取属性，文本和HTML


问题

在解析获得一个Document实例对象，并查找到一些元素之后，你希望取得在这些元素中的数据。


方法

要取得一个属性的值，可以使用
Node.attr(String
key)
方法
对于一个元素中的文本，可以使用
Element.text()
方法
对于要取得元素或属性中的HTML内容，可以使用
Element.html()
,
或 
Node.outerHtml()
方法

示例：
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


说明

上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用：

Element.id()

Element.tagName()

Element.className()
and 
Element.hasClass(String
className)


这些访问器方法都有相应的setter方法来更改数据.


参见

Element
和
Elements
集合类的参考文档
URLs处理
使用CSS选择器语法来查找元素


示例程序: 获取所有链接

这个示例程序将展示如何从一个URL获得一个页面。然后提取页面中的所有链接、图片和其它辅助内容。并检查URLs和文本信息。

运行下面程序需要指定一个URLs作为参数
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));
else
print(" * %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) + ".";
else
return s;
}
}
org/jsoup/examples/ListLinks.java[/code]


示例输入结果

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>  ()
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签： 
相关文章推荐
新的分享
章节导航