Jsoup 使用教程：数据抽取

1、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)

2、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

3、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.

4、处理URLs

问题

你有一个包含相对URLs路径的HTML文档，需要将这些相对路径转换成绝对路径的URLs。

方法

在你解析文档时确保有指定

base URI

，然后

使用

abs:

属性前缀来取得包含

base URI

的绝对路径。代码如下：

Document doc = Jsoup.connect("http://www.open-open.com").get();

Element link = doc.select("a").first();
String relHref = link.attr("href"); // == "/"
String absHref = link.attr("abs:href"); // "http://www.open-open.com/"

说明

在HTML元素中，URLs经常写成相对于文档位置的相对路径：

<a href="/download">...</a>

. 当你使用

Node.attr(String key)

方法来取得a元素的href属性时，它将直接返回在HTML源码中指定定的值。

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)

。

参考链接：

Jsoup 官网教程（英文）

Jsoup 中文教程