关于jsoup解析http文档

1.第一次用jsoup，是用来解析一个关于新闻的网页，但是这个网页比较简单，，所以对于jsoup的了解不是很清楚。2.在写Android程序时，有时需要解析HTML页面，特别是那类通过爬网站抓取数据的应用，比如：天气预报等应用。如果是桌面应用可以使用htmlparser这个强大的工具，但是在Android平台上使用会出现错误；另一种办法是使用正则表达式来抽取数据；再有一个办法是纯字符串查找定位来实现。文本将要介绍的是使用Jsoup这个开源的解析器来实现。Jsoup既可以通过一个url网址，也可以通过存储html脚本的文件或者是存储html脚本的字符串作为数据源，然后通过DOM、CSS选择器来查找、抽取数据。3.作为解析的数据来源，有三种，第一中，通过url,第二，解析本地文件，第三，直接给一个html的字符传。注意：很多情况下，html的格式是不完整的。而且，还有很多标签都不知道是什么意思。没有关闭的标签 (比如：

Lorem

Ipsum parses to

Lorem

Ipsum

)隐式标签 (比如. 它可以自动将 Table data包装成

?)创建可靠的文档结构（html标签包含head 和 body，在head只出现恰当的元素）//url网址作为输入源Document doc = Jsoup.connect("http://www.example.com").timeout(60000).get();//File文件作为输入源File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://www.example.com/");//String作为输入源Document doc = Jsoup.parse(htmlStr);和java script类似，Jsoup提供了下列的函数getElementById(String id) 通过id获得元素getElementsByTag(String tag) 通过标签获得元素getElementsByClass(String className) 通过class获得元素getElementsByAttribute(String key) 通过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) 设置元素数据attributes() 获得所有属性id(), className() classNames() 得到id class的值text()得到文本值text(String value) 设置文本值html() 获取html html(String value)设置htmlouterHtml() 获得内部htmldata()获得数据内容tag() 得到tag 和 tagName() 得到tagname、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、 File input = new File("D:\test.html"); Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/"); Elements links = doc.select("a[href]"); // 具有 href 属性的链接 Elements pngs = doc.select("img[src$=.png]");// 所有引用 png 图片的元素 Element masthead = doc.select("div.masthead").first(); // 找出定义了 class=masthead 的元素 Elements resultLinks = doc.select("h3.r > a"); // direct a after h3Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下： 查找元素 getElementById(String id) getElementsByTag(String tag) getElementsByClass(String className) getElementsByAttribute(String key) (and related methods) Element siblings: siblingElements(), firstElementSibling(), lastElementSibling(); nextElementSibling(), previousElementSibling() Graph: parent(), children(), child(int index) 元素数据 attr(String key)获取属性attr(String key, String value)设置属性 attributes()获取所有属性 id(), className() and classNames() text()获取文本内容text(String value) 设置文本内容 html()获取元素内HTMLhtml(String value)设置元素内的HTML内容 outerHtml()获取元素外HTML内容 data()获取数据内容（例如：script和style标签) tag() and tagName() 操作HTML和文本 append(String html), prepend(String html) appendText(String text), prependText(String text) appendElement(String tagName), prependElement(String tagName) html(String value) 使用选择器语法来查找元素问题你想使用类似于CSS或jQuery的语法来查找和操作元素。方法可以使用Element.select(String selector) 和 Elements.select(String selector) 方法实现：File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");Elements links = doc.select("a[href]"); //带有href属性的a元素Elements pngs = doc.select("img[src$=.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：ans|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 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#logoel.class: 元素+class，比如： div.mastheadel[attr]: 元素+class，比如： a[href]任意组合，比如：a[href].highlightancestor 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 + divsiblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ pel, 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修改数据在解析文档的同时，我们可能会需要对文档中的某些元素进行修改，例如我们可以为文档中的所有图片增加可点击链接、修改链接地址或者是修改文本等。下面是一些简单的例子：清单 4. doc.select("div.comments a").attr("rel", "nofollow"); // 为所有链接增加 rel=nofollow 属性 doc.select("div.comments a").addClass("mylinkclass"); // 为所有链接增加 class=mylinkclass 属性 doc.select("img").removeAttr("onclick"); // 删除所有图片的 onclick 属性 doc.select("input[type=text]").val(""); // 清空所有文本输入框中的文本道理很简单，你只需要利用 jsoup 的选择器找出元素，然后就可以通过以上的方法来进行修改，除了无法修改标签名外（可以删除后再插入新的元素），包括元素的属性和文本都可以修改。修改完直接调用 Element(s) 的 html() 方法就可以获取修改完的 HTML 文档。