利用Jsoup解析HTML

http://passover.blog.51cto.com/2431658/484673

 

最近又要做html内容抽取，这次打算尝试一下除了用正则表达式以外的其他方式。自然第一个想到的就是HtmlParser，结果找到了以后发现最近的更新还是在06年，汗！这个时候很意外的发现了Jsoup，试用了一下感觉相当清爽，推荐一下。

    如果你很有兴趣，直接去官方网站看下说明文档，地址是http://jsoup.org/cookbook/。我这里给个小例子，目的是从下文中抽取出标题，大家可以看一下他的类jQuery语法。

1. <div class="artHead">  
2.   <div>  
3.   
4.     <span class="artType01" style="margin-right: 5px;"><a href="javascript:void(0)">原创</a></span>  
5.   
6.   <h3 class="artTitle"><a href="/2431658/483361">JAVA程序内存溢出问题的分析</a>  
7.   
8.   <a href="http://blog.51cto.com/artcommend" target="_blank"><img src="http://blog.51cto.com/image/skin/34/indextj.gif" width="15" height="15" /></a>  
9.   
10.   
11.   </h3>  
12.   </div>  

 

    这个内容是从我博客首页上摘取的，所以直接打开这个页面进行抽取，测试代码如下：

1. package jsoup; 
2.  
3. import java.io.IOException; 
4. import org.jsoup.Jsoup; 
5. import org.jsoup.nodes.Document; 
6. import org.jsoup.select.Elements; 
7.  
8. public class ParseTest { 
9.  
10.     public static void main(String[] args) { 
11.         try { 
12.             Document doc = Jsoup.connect("http://passover.blog.51cto.com/").get(); 
13.             System.out.println(doc.title()); 
14.             Elements eles = doc.select("div.artHead"); 
    
15.             System.out.println(eles.first().select("h3[class=artTitle]")); 
16.         } catch (IOException e) { 
17.             e.printStackTrace(); 
18.         } 
19.     } 
20.  
21. } 

 

    是不是特别简单？！如果网页结构化比较好的话，这么抽取真的非常方便，我试了下，效率也很不错。推荐给有相关需求的朋友，网页解析又多了一个选择，:-)