JSOUP初探

JSOUP是偶然看到的一个处理HTML的JAVA 类库，其官方网址是：http://jsoup.org/

1、编写相关的试用程序（只需要在工程中引用jsoup-1.3.3.jar即可）：

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

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

 public class Test {
     public static void main(String[] args) {
         Test t = new Test();
         t.parseFile();
     }

     public void parseString() {
         String html = "blogParsed HTML into a doc.";
         Document doc = Jsoup.parse(html);
         System.out.println(doc);
         Elements es = doc.body().getAllElements();
         System.out.println(es.attr("onload"));
         System.out.println(es.select("p"));
     }

     public void parseUrl() {
         try {
             Document doc = Jsoup.connect("http://www.baidu.com/").get();
             Elements hrefs = doc.select("a[href]");
             System.out.println(hrefs);
             System.out.println("------------------");
             System.out.println(hrefs.select("[href^=http]"));
         } catch (IOException e) {
             e.printStackTrace();
         }
     }

     public void parseFile() {
         try {
             File input = new File("input.html");
             Document doc = Jsoup.parse(input, "UTF-8");
             // 提取出所有的编号
             Elements codes = doc.body().select("td[title^=IA] > a[href^=javascript:view]");
             System.out.println(codes);
             System.out.println("------------------");
             System.out.println(codes.html());
         } catch (IOException e) {
             e.printStackTrace();
         }
     }
 }

 

2、parseString的输出：

   blog

  "test()">
   Parsed HTML into a doc.


 test()

 Parsed HTML into a doc.

 

3、parseUrl的输出：

 "/gaoji/preferences.html">设置
 "http://passport.baidu.com/?login&tpl=mn">登录
 "http://news.baidu.com">新 闻
 "http://tieba.baidu.com">贴 吧
 "http://zhidao.baidu.com">知 道
 "http://mp3.baidu.com">MP3
 "http://image.baidu.com">图 片
 "http://video.baidu.com">视 频
 "http://map.baidu.com">地 图

 "#" name="ime_hw">手写

 "#" name="ime_py">拼音

 "#" name="ime_cl">关闭
 "http://hi.baidu.com">空间
 "http://baike.baidu.com">百科
 "http://www.hao123.com">hao123
 "/more/">更多>>
 "st" οnclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')" href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页
 "http://e.baidu.com/?refer=888">加入百度推广
 "http://top.baidu.com">搜索风云榜
 "http://home.baidu.com">关于百度
 "http://ir.baidu.com">About Baidu
 "/duty/">使用百度前必读
 "http://www.miibeian.gov.cn" target="_blank">京ICP证030173号
 ------------------
 "http://passport.baidu.com/?login&tpl=mn">登录
 "http://news.baidu.com">新 闻
 "http://tieba.baidu.com">贴 吧
 "http://zhidao.baidu.com">知 道
 "http://mp3.baidu.com">MP3
 "http://image.baidu.com">图 片
 "http://video.baidu.com">视 频
 "http://map.baidu.com">地 图
 "http://hi.baidu.com">空间
 "http://baike.baidu.com">百科
 "http://www.hao123.com">hao123
 "st" οnclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')" href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页
 "http://e.baidu.com/?refer=888">加入百度推广
 "http://top.baidu.com">搜索风云榜
 "http://home.baidu.com">关于百度
 "http://ir.baidu.com">About Baidu
 "http://www.miibeian.gov.cn" target="_blank">京ICP证030173号

 

3、parseFile的输出：

 "javascript:view('67530','67530','0');">IA100908-002

 "javascript:view('67529','67529','0');">IA100908-001

 "javascript:view('67544','67544','0');">IA100908-016

 "javascript:view('67364','67364','0');">IA100903-008

 "javascript:view('67363','67363','0');">IA100903-007

 "javascript:view('66104','66104','0');">IA100710-013

 "javascript:view('57916','57916','0');">IA100515-013

 "javascript:view('56962','56962','0');">IA100430-022

 "javascript:view('66958','66958','0');">IA100830-001

 "javascript:view('66319','66319','0');">IA100713-003

 "javascript:view('66317','66317','0');">IA100713-001

 "javascript:view('66321','66321','0');">IA100713-005

 "javascript:view('66967','66967','0');">IA100830-010

 "javascript:view('66999','66999','0');">IA100831-001

 "javascript:view('67377','67377','0');">IA100904-004

 "javascript:view('67378','67378','0');">IA100904-005

 "javascript:view('3271','3271','0');">IA080115-031
 ------------------
 IA100908-002
 IA100908-001
 IA100908-016
 IA100903-008
 IA100903-007
 IA100710-013
 IA100515-013
 IA100430-022
 IA100830-001
 IA100713-003
 IA100713-001
 IA100713-005
 IA100830-010
 IA100831-001
 IA100904-004
 IA100904-005
 IA080115-031

补充下，input.html的基本结果如图：