jsoup使用介绍

简介

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。

• 官网：https://jsoup.org/
• github：https://github.com/jhy/jsoup

Jsoup的主要功能有三部分组成：

1. 从字符串，网页，本地文件等方式生成Documentn
2. 在生成Doucment后，根据Dom和css或类似jquery的selector语法获取Element，然后再从Elements中获取节点属性、文本、html
3. 对Element的进行操作，包括HTML的值、节点内容的值和设置节点属性的值

说明：对html的解析还有另外一个工具库——HTMLParser，该项目已经不在维护了。

使用示例

    org.jsoup
    jsoup
    1.10.2

1、生成document：

//从字符串生成document
public void parseDocumentFromString() {
        String html = ""
                + "
Parsed HTML into a doc.
";
        Document doc = Jsoup.parse(html);
        logger.info("parseDocumentFromString content={}", doc);
}

//从url生成document
public void loadDocumentFromURL() {
        Document doc;
        try {
            doc = Jsoup.connect("https://www.baidu.com/").get();
            // 从document中获取title值
            String title = doc.title();
            logger.info("LoadDocumentFromURL title={}", title);
        } catch (IOException e) {
            e.printStackTrace();
        }
}

//从文件生成document
public void loadDocumentFromFile() {
    URL fileUrl = LoadParseDocument.class.getResource("/test/loadDocumentFromFile.html");
    File input = new File(fileUrl.getFile());
    try {
            Document doc = Jsoup.parse(input, "UTF-8", "https://www.baidu.com/");
            logger.info("LoadDocumentFromFile content={}", doc);
    } catch (IOException e) {
            e.printStackTrace();
    }
}

说明：jsoup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：

未关闭的
Lorem 
Ipsum parses to 
Lorem
 
Ipsum

2、获取Elements：

2.1）使用类似浏览器提供给js原生的api语法：

public void extractDataByDOM() throws IOException{
        Document doc = Jsoup.connect("https://www.baidu.com/").get();
        Element lg = doc.getElementById("lg");
        logger.info("getElementById lg = {}", lg);
        Elements links = doc.getElementsByTag("a");
        for (Element link : links) {
          String linkHref = link.attr("href");
          String linkText = link.text();
          logger.info("linkHref={}, linkText={}",linkHref, linkText);
        }
}

2.2）使用类似jquery语法：

public void extractDataByCSSOrJqueryLikeSelectorSyntax() throws IOException{
        URL fileUrl = LoadParseDocument.class.getResource("/com/hry/tool/jsoup/extractingdata/extractDataByCSSOrJqueryLikeSelectorSyntax.html");
        File input = new File(fileUrl.getFile());
        Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

        // 获取所有的a节点
        Elements links = doc.select("a[href]"); 
        logger.info("links = {}", links);

        // 获取img的src以.png结果结尾
        Elements pngs = doc.select("img[src$=.png]");
        logger.info("pngs = {}", pngs);

        // 获取class=masthead的div节点
        Element masthead = doc.select("div.masthead").first();
        logger.info("masthead = {}", masthead);

        // 获取class=r的h3节点下面的a节点
        Elements resultLinks = doc.select("h3.r > a"); // direct a after h3
        logger.info("resultLinks = {}", resultLinks);
}

3、获取属性、文本、html：

public void extractAttributesTextAndHTML(){
        String html = "
An example link.
";
        // 指定baseUri的值，在使用abs:attr会使用到
        Document doc = Jsoup.parse(html, "http://example.com/");
        Element link = doc.select("a").first();

        /**
         * text获取所有子节点的文本并组合在一一起
         * 如：HTML 
Hello there now! 
, --》 调用p.text() --》输出： "Hello there now!"
         */
        String text = doc.body().text(); // "An example link"
        logger.info("text={}", text);

        // 获取link的href属性值
        String linkHref = link.attr("href"); // /abc
        // 在href前面加上abs，会在现有的href(如/abc)的前面别上Jsoup.parse(html, "http://example.com/")里指定的baseUri值
        String absLinkHref = link.attr("abs:href"); // http://example.com/abc
        logger.info("linkHref={}, absLinkHref={}",linkHref, absLinkHref);

        // 获取link里所有字节点的内容组合在一起
        String linkText = link.text(); // "example""
        logger.info("linkText={}", linkText);

        // 获取本节点所有HTML文本信息
        String linkOuterH = link.outerHtml(); // "example"
        logger.info("linkOuterH={}", linkOuterH);

        // 获取本节点字节点的html文本信息
        String linkInnerH = link.html(); // "example"
        logger.info("linkInnerH={}", linkInnerH);
    }
}

4、设置值：

• Element.text: 完全替换内容
• Element.prepend:在节点的内容最前面加内容
• Element.append：在节点的内容最后面加内容

public void setHTMLofAnElement() throws IOException{
    Document doc = getDoucment();

    // 获取div节点
    Element div = doc.select("div").first(); // 

    // 使用新的HTML替换div旧的html值
    div.html("
lorem ipsum
"); // 
lorem ipsum
    // 将新html添加到div内部的最前面
    div.prepend("
First
"); // 
First
lorem ipsum
    // 将新html添加到div内部的最后面
    div.append("
Last
");  // now: 
First
lorem ipsum
Last
    logger.info("now div={}", div);

    Element span = doc.select("span").first(); // One
    // 将span节点封装到html最里面 --》 
One
    span.wrap("
");

    logger.info("doc={}", doc);
}