1：什么是Jsoup
1：Jsoup概述
jsoup 是一款基于 Java 的HTML解析器，它提供了一套非常省力的API，不但能直接解析某個URL地址、HTML文本內(nèi)容，而且還能通過類似于DOM、CSS或者jQuery的方法來操作數(shù)據(jù)，所以 jsoup 也可以被當(dāng)做爬蟲工具使用，從網(wǎng)站獲取dom結(jié)構(gòu)，從而解析下載數(shù)據(jù)。
2：Jsoup能做什么
- 從 URL、文件或字符串中抓取和解析HTML（爬蟲）
- 使用DOM 遍歷或 CSS 選擇器查找和提取數(shù)據(jù)
- 操作HTML 元素、屬性和文本
- 根據(jù)安全列表清理用戶提交的內(nèi)容，以防止XSS攻擊
- 輸出整潔的網(wǎng)頁
2：Jsoup相關(guān)概念
Jsoup很多概念和js類似，可參照對比理解
- Document ：文檔對象。每份HTML頁面都是一個文檔對象，Document 是 jsoup 體系中最頂層的結(jié)構(gòu)。
- Element：元素對象。一個 Document 中可以著包含著多個 Element 對象，可以使用 Element 對象來遍歷節(jié)點提取數(shù)據(jù)或者直接操作HTML。
- Elements：元素對象集合，類似于List。
- Node：節(jié)點對象。標(biāo)簽名稱、屬性等都是節(jié)點對象，節(jié)點對象用來存儲數(shù)據(jù)。
- 類繼承關(guān)系：Document 繼承自 Element(class Document extends Element) ，Element 繼承自 Node(class Element extends Node)。
- 一般執(zhí)行流程：先獲取 Document 對象，然后獲取 Element 對象，最后再通過 Node 對象獲取數(shù)據(jù)。
3：獲取文檔
1：導(dǎo)入jsoup的jar包
<!-- jsoup -->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.11.3</version>
</dependency>
2：從URL中加載文檔對象（常用）
使用 Jsoup.connect(String url).get()方法獲?。ㄖ恢С?http 和 https 協(xié)議）
try {
Document document = Jsoup.connect("http://www.baidu.com").get();
System.out.println(document.title());
} catch (IOException e) {
throw new RuntimeException(e);
}
- connect(String url)方法創(chuàng)建一個新的 Connection并通過.get()或者.post()方法獲得數(shù)據(jù)。如果從該URL獲取HTML時發(fā)生錯誤，便會拋出 IOException，應(yīng)適當(dāng)處理。
- Connection 接口還提供一個方法鏈來解決特殊請求，我們可以在發(fā)送請求時帶上請求的頭部參數(shù)，具體如下：
try {
Document document = Jsoup.connect("http://www.baidu.com")
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(8000)
.post();
System.out.println(document);
} catch (IOException e) {
throw new RuntimeException(e);
}
3：從本地文件中加載文檔對象
可以使用靜態(tài)的Jsoup.parse(File in, String charsetName) 方法從文件中加載文檔。其中in表示路徑，charsetName表示編碼方式，示例代碼：
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8");
System.out.println(doc);
4：從字符串文本中加載文檔對象
使用靜態(tài)的Jsoup.parse(String html) 方法可以從字符串文本中獲得文檔對象 Document ，示例代碼：
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);
System.out.println(doc);
5：從片斷中獲取文檔對象
使用Jsoup.parseBodyFragment(String html)方法
String html = "<p>Lorem ipsum.</p>";
Document doc = Jsoup.parseBodyFragment(html);
// doc 此時為：<body> <p>Lorem ipsum.</p></body>
Element body = doc.body();
System.out.println(body);
parseBodyFragment 方法創(chuàng)建一個新的文檔，并插入解析過的HTML到body元素中。假如你使用正常的 Jsoup.parse(String html) 方法，通常也能得到相同的結(jié)果，但是明確將用戶輸入作為 body 片段處理是個更好的方式。
Document.body() 方法能夠取得文檔body元素的所有子元素，與 doc.getElementsByTag(“body”)相同。
4:定位選擇元素
1：DOM方式
我們可以利用dom結(jié)構(gòu)的方式，通過標(biāo)簽，id，class等查找到下屬元素
1：案例代碼
// 獲取csdn首頁所有的鏈接
Document doc = Jsoup.connect("http://www.baidu.com").get();
Elements elements = doc.getElementsByTag("body");
Elements contents = elements.first().getElementsByTag("a");
for (Element content : contents) {
String linkHref = content.attr("href");
String linkText = content.text();
System.out.print(linkText + "\t");
System.out.println(linkHref);
}
2：查找元素-下列方法返回的是Element或Elements
- getElementById(String id)：通過id來查找元素
- getElementsByTag(String tag)：通過標(biāo)簽來查找元素
- getElementsByClass(String className)：通過類選擇器來查找元素
- getElementsByAttribute(String key) ：通過屬性名稱來查找元素，例如查找?guī)в衕ref元素的標(biāo)簽。
- siblingElements()：獲取兄弟元素。如果元素沒有兄弟元素，則返回一個空列表。
- firstElementSibling()：獲取第一個兄弟元素。
- lastElementSibling()：獲取最后一個兄弟元素。
- nextElementSibling()：獲取下一個兄弟元素。
- previousElementSibling()：獲取上一個兄弟元素。
- parent()：獲取此節(jié)點的父節(jié)點。
- children()：獲取此節(jié)點的所有子節(jié)點。
- child(int index)：獲取此節(jié)點的指定子節(jié)點。
2：CSS選擇器方式
也可以使用類似于CSS選擇器的語法來查找和操作元素，常用的方法為select(String selector)。
1：代碼實例
Document doc = Jsoup.connect("http://csdn.com").get();
// 獲取帶有 href 屬性的 a 元素
Elements elements = doc.select("a[href]");
for (Element content : elements) {
String linkHref = content.attr("href");
String linkText = content.text();
System.out.print(linkText + "\t");
System.out.println(linkHref);
}
select()方法在Document、Element或Elements對象中都可以使用，而且是上下文相關(guān)的，因此可實現(xiàn)指定元素的過濾，或者采用鏈?zhǔn)皆L問。
select() 方法將返回一個Elements集合，并提供一組方法來抽取和處理結(jié)果。
2：select(String selector)方法參數(shù)簡介
- tagname: 通過標(biāo)簽查找元素，例如通過"a"來查找< a >標(biāo)簽。
- #id: 通過ID查找元素，比如通過#logo查找< p id=“l(fā)ogo”>
- .class: 通過class名稱查找元素，比如通過.titile查找< p class=“titile”>
- ns|tag: 通過標(biāo)簽在命名空間查找元素，比如使用 fb|name 來查找 < fb:name>
- [attribute]: 利用屬性查找元素，比如通過[href]查找< a href=“…”>
- [ ^attribute]: 利用屬性名前綴來查找元素，比如：可以用[^data-] 來查找?guī)в蠬TML5 dataset屬性的元素
- [ attribute=value]: 利用屬性值來查找元素，比如：[ width=500]
- [attribute^=value], [attribute$=value], [attribute*=value]: 利用匹配屬性值開頭、結(jié)尾或包含屬性值來查找元素，比如通過[href*=/path/]來查找
- [attribute~=regex]: 利用屬性值匹配正則表達式來查找元素，比如通過 img[src~=(?i).(png|jpe?g)]來匹配所有的png或者jpg、jpeg格式的圖片
- *: 通配符，匹配所有元素
3：參數(shù)屬性組合使用
例如：Elements elements = doc.select(“div.css_tr_event”);
- el#id: 元素+ID，比如： div#logo
- el.class: 元素+class，比如： div.masthead
- el[attr]: 元素+class，比如 a[href]匹配所有帶有 href 屬性的 a 元素。
- 任意組合，比如：a[href].highlight匹配所有帶有 href 屬性且class="highlight"的 a 元素。
- ancestor child: 查找某個元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素,中間有一個空
- parent > child: 查找某個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標(biāo)簽下所有直接子元素
- siblingA + siblingB: 查找在A元素之前第一個同級元素B，比如：div.head + div
- siblingA ~ siblingX: 查找A元素之前的同級X元素，比如：h1 ~ p
- el, el, el:多個選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo
4：特殊參數(shù)：偽選擇器
- :lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對于它的父節(jié)點）小于n，比如：td:lt(3) 表示小于三列的元素
- :gt(n):查找哪些元素的同級索引值大于n``，比如： div p:gt(2)表示哪些div中有包含2個以上的p元素
- :eq(n): 查找哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個input標(biāo)簽的Form元素
- :has(seletor): 查找匹配選擇器包含元素的元素，比如：div:has§表示哪些div包含了p元素
- :not(selector): 查找與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
- :contains(text): 查找包含給定文本的元素，搜索不區(qū)分大不寫，比如： p:contains(jsoup)
- :containsOwn(text): 查找直接包含給定文本的元素
- :matches(regex): 查找哪些元素的文本匹配指定的正則表達式，比如：div:matches((?i)login)
- :matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素
- 注意：上述偽選擇器索引是從0開始的，也就是說第一個元素索引值為0，第二個元素index為1等
5:獲取數(shù)據(jù)
1：獲取元素數(shù)據(jù)
- attr(String key)：獲取單個屬性值
- attributes()：獲取所有屬性值
- attr(String key, String value)：設(shè)置屬性值
- text()：獲取文本內(nèi)容
- text(String value)：設(shè)置文本內(nèi)容
- html()：獲取元素內(nèi)的HTML內(nèi)容
- html(String value)：設(shè)置元素內(nèi)的HTML內(nèi)容
- outerHtml()：獲取元素外HTML內(nèi)容
- data()：獲取數(shù)據(jù)內(nèi)容（例如：script和style標(biāo)簽)
- id()：獲得id值（例：
衣服
） - className()：獲得第一個類選擇器值
- classNames()：獲得所有的類選擇器值
- tag()：獲取元素標(biāo)簽
- tagName()：獲取元素標(biāo)簽名（如：
、
等）
2：操作HTML文本
- append(String html)：在末尾追加HTML文本
- prepend(String html)：在開頭追加HTML文本
- html(String value)：在匹配元素內(nèi)部添加HTML文本。
6：修改數(shù)據(jù)
在解析了一個Document對象之后，你可能想修改其中的某些屬性值，并把它輸出到前臺頁面或保存到其他地方，jsoup對此提供了一套非常簡便的接口（支持鏈?zhǔn)綄懛ǎ?/p>
1:設(shè)置屬性的值
當(dāng)以下方法針對Element對象操作時，只有一個元素會受到影響。當(dāng)針對Elements對象進行操作時，可能會影響到多個元素。
- .attr(String key, String value)：設(shè)置標(biāo)簽的屬性值。
- .addClass(String className)：增加類選擇器選項
- .removeClass(String className)：刪除對應(yīng)的類選擇器
Document doc = Jsoup.connect("http://csdn.com").get();
// 復(fù)數(shù)，Elements
Elements elements = doc.getElementsByClass("text");
// 單數(shù)，Element
Element element = elements.first();
// 復(fù)數(shù)對象，所有 class="text" 的元素都將受到影響
elements.attr("name","goods");
// 單數(shù)對象，只有一個元素會受到影響（鏈?zhǔn)綄懛ǎ?/span>
element.attr("name","shop")
.addClass("red");
2：修改元素的HTML內(nèi)容
可以使用Element中的HTML設(shè)置方法具體如下：
- .html(String value)：這個方法將先清除元素中的HTML內(nèi)容，然后用傳入的HTML代替。
- .prepend(String value)：在元素前添加html內(nèi)容。
- .append(String value)：在元素后添加html內(nèi)容。
- .wrap(String value)：對元素包裹一個外部HTML內(nèi)容，將元素置于新增的內(nèi)容中間。
Document doc = Jsoup.connect("http://csdn.com").get();
Element div = doc.select("div").first();
div.html("<p>csdn</p>");
div.prepend("<p>a</p>");
div.append("<p>good</p>");
// 輸出：<div"> <p>a</p> <p>csdn</p> <p>good</p> </div>
Element span = doc.select("span").first();
span.wrap("<li><a href='...'></a></li>");
// 輸出: <li><a href="..."> <span>csdn</span> </a></li>
3：修改元素的文本內(nèi)容
對于傳入的文本，如果含有像 <, > 等這樣的字符，將以文本處理，而非HTML。
- .text(String text) ：清除元素內(nèi)部的HTML內(nèi)容，然后用提供的文本代替。
- .prepend(String first)：在元素后添加文本節(jié)點。
- Element.append(String last)：在元素前添加文本節(jié)點。
// <div></div>
Element div = doc.select("div").first();
div.text(" one ");
div.prepend(" two ");
div.append(" three ");
// 輸出: <div> two one three </div>
7:其他功能
1：返回html鏈接的絕對路徑
問題描述：
??你有一個包含相對URLs路徑的HTML文檔，現(xiàn)在需要將這些相對路徑轉(zhuǎn)換成絕對路徑的URLs。
解決方式：
確保在你解析文檔時有指定base URI路徑。
然后使用 abs: 屬性前綴來取得包含base URI的絕對路徑。代碼如下：
Document doc = Jsoup.connect("http://www.open-open.com").get();
Element link = doc.select("a").first();
// 輸出：/
String relHref = link.attr("href");
// 輸出：http://www.open-open.com/
String absHref = link.attr("abs:href");
說明：
在HTML元素中，URLs經(jīng)常寫成相對于文檔位置的相對路徑，如：…。當(dāng)你使用 .attr(String key) 方法來取得a元素的href屬性時，它將直接返回在HTML源碼中指定的值。
假如你需要取得一個絕對路徑，需要在屬性名前加 abs: 前綴，這樣就可以返回包含根路徑的URL地址attr(“abs:href”)。因此在解析HTML文檔時，定義base URI非常重要。文章來源：http://www.zghlxwxcb.cn/news/detail-800069.html
2：使用代理
當(dāng)訪問某個網(wǎng)頁需要使用代理服務(wù)器時，可以通過這種方法進行代理設(shè)置。后續(xù)元素操作就一樣了；文章來源地址http://www.zghlxwxcb.cn/news/detail-800069.html
Document document = Jsoup.connect("http://csdn.net/")
.proxy("12.12.12.12", 1080) // 使用代理
.get();
到了這里，關(guān)于Jsoup使用教程以及使用案例的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
