Jsoup文档--提取数据(使用DOM方法遍历文档)

使用DOM方法遍历文档

问题

想要从HTML文档中提取数据(通常是了解该HTML文档结构的)。

解决方案

在将HTML解析成Document后使用类似于操作DOM的方法。

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

Element content = doc.getElementById("content");
Element links = doc.getElementByTag("a");
for (Element link : links) {
	String linkHref = link.attr("href");
	String linkText = link.text();
}

描述

Elements对象提供一系列类似于操作DOM的方法来查找元素、提取和操作其中的数据。DOM getters方法是上下文相关的，在父级DOM上调用可以获取到文档下对应匹配的元素；在子级元素上调用可以获取到子元素下的元素。可以通过这种方式筛选出想要的数据。

查找元素：

• getElementById(String id)
• getElementsByTag(String tag)
• getElementsByClass(String className)
• getElementsByAttribute(String key)(和相关的方法)
• 相邻元素获取：siblingElements()、firstElementSibling()、lastElementSibling()、nextElementSibling()、previousElementSibling()
• 谱系：parent()、children()、child(int index)

操作元素中的数据

• 获取属性：attr(String key)；设置属性：attr(String key, String value)
• 获取所有属性：attributes()
• id()，className()，classNames()
• 获取文本内容：text()；设置文本内容：text(String value)
• 获取元素内HTML：html()；设置元素内HTML：html(String value)
• 获取元素外部HTML：outerHtml()
• 获取数据内容：data()(e.g. script和style标签)
• tag()、tagName()

操作HTML和文本内容

• append(String html)、prepend(String html)
• appendText(String text)、prependText(String text)
• appendElementt(String tagName)、prependElement(String tagName)
• html(String html)