Jsoup使用总结

来源：互联网发布：金域名都公寓价格编辑：程序博客网时间：2024/05/21 19:37

1. 概述

对HTML页面的解析，之前我一般使用HTMLParser，详细见HTMLParser的学习系列 - 学习总结，但是这个项目已经停止更新。现在比较好的解析HTML的控件是Jsoup。本文对Jsoup的用法做个总结。
Jsoup的主要功能有三部分组成：

从字符串，网页，本地文件等方式生成Documentn
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
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

下方每节对以上三点进行逐一演示。

POM.xml 配置

<dependency>    <groupId>org.jsoup</groupId>    <artifactId>jsoup</artifactId>    <version>1.10.2</version></dependency>

2. 生成Document

JSOUP通过不同方式生成Document，主要有以下三种：
1. 字符串
2. 网页
3. 本地文件

2.1 从字符串生成Document

关键方法：Jsoup.parse
代码

    /**     * 将字符串转化为Document     *      * html: https://jsoup.org/cookbook/input/parse-document-from-string     */    public void parseDocumentFromString() {        String html = "<html><head><title>First parse</title></head>"                + "<body><p>Parsed HTML into a doc.</p></body></html>";        Document doc = Jsoup.parse(html);        logger.info("parseDocumentFromString content={}", doc);    }

输出结果

parseDocumentFromString content=<html> <head>  <title>First parse</title> </head> <body>  <p>Parsed HTML into a doc.</p> </body></html>

2.2 从网页生成Document

关键方法： Jsoup.connect
代码

/**     * 从网络上加载网页并转化为Document     *      * html: https://jsoup.org/cookbook/input/load-document-from-url     */    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();        }    }

输出：由于页面太大，这里没有打印页面内容，只是输出页面的title值

LoadDocumentFromURL title=百度一下，你就知道

2.3 从本地文件生成Document

本地测试文件： loadDocumentFromFile.html

<html><body>.. body</body></html>

代码
关键方法： Jsoup.parse

    /**     * 从本地加载文件并转化为Document     *      * html: https://jsoup.org/cookbook/input/load-document-from-file     */    public void loadDocumentFromFile() {        URL fileUrl = LoadParseDocument.class.getResource("/com/hry/tool/jsoup/doc/loadDocumentFromFile.html");        File input = new File(fileUrl.getFile());        try {            /* The baseUri parameter is used by the parser to resolve relative URLs in the document              * before a <base href> element is found. If that's not a concern for you,              * you can pass an empty string instead.             */            Document doc = Jsoup.parse(input, "UTF-8", "https://www.baidu.com/");            logger.info("LoadDocumentFromFile content={}", doc);        } catch (IOException e) {            // TODO Auto-generated catch block            e.printStackTrace();        }    }

输出

LoadDocumentFromFile content=<html> <head></head> <body>   .. body   </body></html>

3. 获取Element及节点属性、文本、html

在上一节中已经生成Document，下面就可以对这个document进行操作，操作的主要单位是Element，下面介绍如何选取elment及获取elment的内容。

本地包含的主要内容获取节点信息：
1. 获取Element，获取的方式有二种: a DOM; b 通过css或类似jquery的selector语法
2. 获取节点属性、文本、html

3.1 获取Element

a DOM
代码

    /**     *  调用document的类似DOM的方法获取Element     *      * html: https://jsoup.org/cookbook/extracting-data/dom-navigation     * @throws IOException     */    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);        }    }

输出

输出内容过多，略

b 通过css或类似jquery的selector语法
点击查看全部的selector语法
测试文件： extractDataByCSSOrJqueryLikeSelectorSyntax.html

<html><header>    <h3 class="r">h3<a href="/test/h3"></a></b></h3></header><body>.. body<div>    <a href="/test" >test</a>    <a href="/test2" >test2</a></div><div>    <img alt="test" src="/image/a.png" />    <img alt="test2" src="/image/b.png" /></div><div>    <div class="masthead">masthead</div></div></body></html>

代码

    /**     * 通过css或类似jquery的selector语法     *      * html: https://jsoup.org/cookbook/extracting-data/selector-syntax     * @throws IOException      */    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);    }

输出：省略部分日志内容，方便查看

links = <a href="/test/h3"></a><a href="/test">test</a><a href="/test2">test2</a>pngs = <img alt="test" src="/image/a.png"><img alt="test2" src="/image/b.png">masthead = <div class="masthead">masthead</div>

3.2 获取节点属性、文本、html

代码

    /**     * 获取节点属性、文本、html     *      * html: https://jsoup.org/cookbook/extracting-data/attributes-text-html     */    public void extractAttributesTextAndHTML(){        String html = "<p>An <a href='/abc'><b>example</b></a> link.</p>";        // 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 <p>Hello <b>there</b> now! </p>, --》 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(); // "<a href="http://example.com"><b>example</b></a>"        logger.info("linkOuterH={}", linkOuterH);        // 获取本节点字节点的html文本信息        String linkInnerH = link.html(); // "<b>example</b>"        logger.info("linkInnerH={}", linkInnerH);    }}

输出：省略部分日志，方便阅读

text=An example link.linkHref=/abc, absLinkHref=http://example.com/abclinkText=examplelinkOuterH=<a href="/abc"><b>example</b></a>linkInnerH=<b>example</b>

4. 设置节点值

设置节点值，主要有在以下方式：
1. 设置节点HTML的值
2. 设置节点内容的值
3. 设置节点属性的值

公共测试文件

<html><body>.. body<div></div><span>One</span></body></html>

从本地文件造成Document文本

    private Document getDoucment() throws IOException{        URL fileUrl = LoadParseDocument.class.getResource("/com/hry/tool/jsoup/modifyingdata/modifyingData.html");        File input = new File(fileUrl.getFile());        Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");        return doc;    }

4.1 设置节点HTML的值

设置节点的html内容：

Element.html：使用新的HTML替换旧的值
Element.prepend：将新html添加到指定节点内部的最前面
Element.append：将新html添加到指定节点内部的最后面
Element.wrap:将指定节点封装到html最里面
代码：

/** * 设置节点的html内容： *  1. html：使用新的HTML替换旧的值 *  2. prepend：将新html添加到指定节点内部的最前面 *  3. append：将新html添加到指定节点内部的最后面 *  4. wrap:将指定节点封装到html最里面 *   *  html: https://jsoup.org/cookbook/modifying-data/set-html * @throws IOException */public void setHTMLofAnElement() throws IOException{    Document doc = getDoucment();    // 获取div节点    Element div = doc.select("div").first(); // <div></div>    // 使用新的HTML替换div旧的html值    div.html("<p>lorem ipsum</p>"); // <div><p>lorem ipsum</p></div>    // 将新html添加到div内部的最前面    div.prepend("<p>First</p>"); // <div><p>First</p><p>lorem ipsum</p></div>    // 将新html添加到div内部的最后面    div.append("<p>Last</p>");  // now: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div>    logger.info("now div={}", div);    Element span = doc.select("span").first(); // <span>One</span>    // 将span节点封装到html最里面 --》 <li><a href="http://example.com"><span>One</span></a></li>    span.wrap("<li><a href='http://example.com/'></a></li>");    logger.info("doc={}", doc);}

输出：

2017-06-07 22:35:48.271  INFO 6644 --- [           main] c.h.t.jsoup.modifyingdata.ModifyingData  : now div=<div> <p>First</p> <p>lorem ipsum</p> <p>Last</p></div>2017-06-07 22:35:48.271  INFO 6644 --- [           main] c.h.t.jsoup.modifyingdata.ModifyingData  : doc=<html> <head></head> <body>   .. body   <div>   <p>First</p>   <p>lorem ipsum</p>   <p>Last</p>  </div>   <li><a href="http://example.com/"><span>One</span></a></li>   </body></html>

4.2 设置节点内容的值

修改节点内容
1. Element.text: 完全替换内容
2. Element.prepend:在节点的内容最前面加内容
3. Element.append：在节点的内容最后面加内容

    /**     * 修改节点内容     *  1. 完全替换内容     *  2. 在节点的内容最前面加内容     *  3. 在节点的内容最后面加内容     *      * html: https://jsoup.org/cookbook/modifying-data/set-text     * @throws IOException     */    public void setTextContentofAnElement() throws IOException{        Document doc = getDoucment();        Element div = doc.select("div").first(); // <div></div>        // 替换div里的内容 输出 -->  <div>five four</div>        div.text("five four");         logger.info("text = {}", div);        // 在div的内容最前面加内容  输出 --> <div> First five four</div>        div.prepend("First ");        logger.info("prepend = {}", div);        // 在div的内容最后面加内容  输出 --> <div>First five four Last</div>        div.append(" Last");        logger.info("append = {}", div);    }

输出：

2017-06-07 22:39:20.289  INFO 11476 --- [           main] c.h.t.jsoup.modifyingdata.ModifyingData  : text = <div> five four</div>2017-06-07 22:39:20.289  INFO 11476 --- [           main] c.h.t.jsoup.modifyingdata.ModifyingData  : prepend = <div> First five four</div>2017-06-07 22:39:20.289  INFO 11476 --- [           main] c.h.t.jsoup.modifyingdata.ModifyingData  : append = <div> First five four Last</div>

4.3 设置节点属性的值

设置节点的属性和class值

element.attr: 设置属性
element.addClass: 设置class

代码

    /**     * 设置节点的属性和class值     *  1. 设置属性     *  2. 设置class     *      * html:https://jsoup.org/cookbook/modifying-data/set-attributes     * @throws IOException     */    public void setAttributeValues() throws IOException{        Document doc = getDoucment();        Element div = doc.select("div").first();         // 在div节点上增加属性和其值：输出 --> <div title="nofollow"></div>        div.attr("title", "nofollow");        logger.info("div={}", div);        // 在div节点上增加class和其值：输出 --> <div title="nofollow" class="round-box"></div>        div.addClass("round-box");        logger.info("div={}", div);    }

输出

2017-06-07 22:39:44.466  INFO 11280 --- [           main] c.h.t.jsoup.modifyingdata.ModifyingData  : div=<div title="nofollow"></div>2017-06-07 22:39:44.466  INFO 11280 --- [           main] c.h.t.jsoup.modifyingdata.ModifyingData  : div=<div title="nofollow" class="round-box"></div>

5. 代码 ##

详细代码见 github代码

阅读全文

0 0