使用Jsoup解析html网页
2016-08-26 06:26
381 查看
一、 JSOUP简介
在以往用java来处理解析HTML文档或者片段时,我们通常会采用htmlparser(http://htmlparser.sourceforge.net/)这个开源类库。现在我们有了JSOUP,以后的处理HTML的内容只需要使用JSOUP就已经足够了,JSOUP有更快的更新,更方便的API等。jsoup 是一款 Java 的HTML 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,可以看作是java版的jQuery。
jsoup的主要功能如下:
从一个URL,文件或字符串中解析HTML;
使用DOM或CSS选择器来查找、取出数据;
可操作HTML元素、属性、文本;
jsoup是基于MIT协议发布的,可放心使用于商业项目。官方网站:http://jsoup.org/
二、 解析遍历HTML文档
Jsoup处理HTML文件是,是将用户输入的HTML文档,解析转换成一个Document对象进行处理。Jsoup一般支持以下几种来源内容的转换。解析一个html字符串
解析一个body片段
根据一个url地址加载Document对象
根据一个文件加载Document对象
(一)解析一个html字符串
在处理一个html字符串。我们可能需要对其进行解析,并提取其内容,或校验其格式是否完整,或者想修改它。Jsoup可以帮助我们轻松的解决这些问题。在Jsoup中有一个这样的静态方法Jsoup.parse(String html),可以将我们的html片段转换成Document对象。示例如下:
帮助
(二) 解析body片段
假如我们现在有一个HTML片断 (比如. 一个 div 包含一对 p 标签; 一个不完整的HTML文档) 想对它进行解析。这个HTML片断可以是用户提交的一条评论或在一个CMS页面中编辑body部分。我们可以使用使用Jsoup.parseBodyFragment(String html)方法。示例如下:
帮助
Document.body() 方法能够取得文档body元素的所有子元素,与doc.getElementsByTag("body")相同。
(三) 根据一个URL地址加载Document对象
有时候我们可能希望通过一个url地址,然后提取里面的内容,转换成document对象。我们以前可能是使用http client等模拟一个请求,然后取得返回内容等,使用Jsoup方便简单的解决这个问题。示例如下:帮助
Connection 接口还提供一个方法链来解决特殊请求,具体如下:
帮助
(四)根据文件加载document
有时候我们要处理的html内容,可能是存在硬盘上的某个文件里面,我们需要从中提取或者解析某些内容出来,我们可以通过Jsoup来这样处理。示例代码如下:帮助
三、 数据抽取
(一) 使用Dom方法遍历文档
通过第二章我们可以获取一个document的对象,我们可以通过这个对象来遍历文档,如:帮助
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
append(String html), prepend(String html)
appendText(String text), prependText(String text)
appendElement(String tagName), prependElement(String tagName)
html(String value)
(二) 使用选择器来查找元素
使用jQuery时,我们无不为其强大的选择器叹服,jsoup有同样的强大的选择器,可以方便我们的对文档进行处理。示例代码如下:帮助
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。
(三) 从元素中抽取属性和文档
使用Jsoup抽取属性,一般方法如下: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
示例如下:
帮助
(四) URL处理
我们在处理HTML内容时,可能经常会遇到这种问题,需要将html页面里面的链接地址从相对地址转换成绝对地址,jsoup有一个方法用来解决此问题。我们前面对到的baseurl,就是用来解决此问题的。示例代码如下:帮助
假如你需要取得一个绝对路径,需要在属性名前加 abs: 前缀。这样就可以返回包含根路径的URL地址attr("abs:href")
因此,在解析HTML文档时,定义base URI非常重要。如果你不想使用abs: 前缀,还有一个方法能够实现同样的功能Node.absUrl(String key)。
四、 数据修改
(一) 设置属性值
在处理html时,我们有时候可能需要修改里面的属性值,如图片地址、class名称等各种属性。可以使用属性设置方法 Element.attr(String key, String value), 和 Elements.attr(String key, String value).
假如你需要修改一个元素的 class 属性,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属性和class的方法,比如:要为div中的每一个a元素都添加一个rel="nofollow"
可以使用如下方法:
帮助
帮助
(二) 设置元素的html内容
我们需要向html里面添加html片段等内容时可以如下操作:帮助
(三) 设置元素的文本内容
如果我们需要修改元素内的文本内容,可以如下操作:帮助
文本设置方法与 HTML setter 方法一样:
Element.text(String text) 将清除一个元素中的内部HTML内容,然后提供的文本进行代替
Element.prepend(String first) 和 Element.append(String last) 将分别在元素的内部html前后添加文本节点。
对于传入的文本如果含有像 <, > 等这样的字符,将以文本处理,而非HTML。
相关文章推荐
- Java网页资源抓取例子(使用第三方包Jsoup解析Html)
- 使用Jsoup解析html网页
- 使用Jsoup解析html网页
- 使用Jsoup解析html网页
- 【转载】使用Jsoup解析html网页
- 使用Jsoup解析Html,获取网页内容
- 使用Jsoup解析html网页
- 使用Jsoup解析html网页
- Android使用jsoup解析网页
- 使用Jsoup解析HTML页面
- Android开发系列十:使用Jsoup解析HTML页面
- 使用Jsoup对HTML进行解析
- 使用httpclient jsoup 及jetty 全自动登录网站 抓取网页,解析并展示
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作
- 黄聪:使用Python中的HTMLParser、cookielib抓取和解析网页、从HTML文档中提取链接、图像、文本、Cookies(二)
- 使用 jsoup 对 HTML 文档进行解析和操作
- (转载)使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作(转)
- 使用 jsoup 对 HTML 文档进行解析和操作