Jsoup 解析 HTML

Jsoup 文档

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.

参见

• Element和Elements集合类的参考文档
• URLs处理
• 使用CSS选择器语法来查找元素

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。请参考：http://jsoup.org/

    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。

    下载和安装：

     maven安装方法：

      把下面放入pom.xml下

       <dependency>

         <!-- jsoup HTML parser library @ http://jsoup.org/ -->

        <groupId>org.jsoup</groupId>

        <artifactId>jsoup</artifactId>

        <version>1.5.2</version>

       </dependency>

     用jsoup解析html的方法如下：

       解析url html方法



Document doc =Jsoup.connect("http://example.com") .data("query","Java")   .userAgent("Mozilla")   .cookie("auth","token")   .timeout(3000)   .post();


     从文件中解析的方法：





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




 类试js  jsoup提供下面方法：



getElementById(String id) 用id获得元素

getElementsByTag(String tag) 用标签获得元素

getElementsByClass(String className) 用class获得元素

getElementsByAttribute(String key)  用属性获得元素



同时还提供下面的方法提供获取兄弟节点：

siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()

用下面方法获得元素的数据：



attr(String key)  获得元素的数据 

attr(String key, String value) t设置元素数据 

attributes() 获得所以属性 

id(), className()  classNames() 获得id class得值

text()获得文本值

text(String value) 设置文本值 

html() 获取html  

html(String value)设置html

outerHtml() 获得内部html 

data()获得数据内容

tag()  获得tag 和 tagName() 获得tagname



操作html提供了下面方法：



append(String html), prepend(String html)

appendText(String text), prependText(String text)

appendElement(String tagName), prependElement(String tagName)

html(String value)

通过类似jquery的方法操作html
File input =newFile("/tmp/input.html");Document doc =Jsoup.parse(input,"UTF-8","http://example.com/");Elements links = doc.select("a[href]");// a with hrefElements pngs = doc.select("img[src$=.png]");   // img with src ending .pngElement masthead = doc.select("div.masthead").first();   // div with class=mastheadElements resultLinks = doc.select("h3.r > a");// direct a after h3


支持的操作有下面这些：



tagname 操作tag

ns|tag ns或tag

#id  用id获得元素 

.class 用class获得元素

[attribute] 属性获得元素

[^attr]: 以attr开头的属性

[attr=value] 属性值为value

[attr^=value], [attr$=value], [attr*=value] 

[attr~=regex]正则

*:所以的标签 

选择组合
el#id el和id定位

el.class e1和class定位

el[attr] e1和属性定位

ancestor child ancestor下面的child

等等