Jsoup(1.7.3)学习笔记

来源：互联网发布：淘宝beats旗舰店编辑：程序博客网时间：2024/05/22 13:41

jsoup是一款Java的HTML解析器。它提供了一套非常便利的API，可通过DOM，CSS以及类似于JQuery的操作方法来提取和操作数据。jsoup实现了WHATWG的HTML5规范，将HTML解析成DOM，就像现代浏览器做的一样：

.从一个URL、文件或字符串抓取、解析HTML；
.通过遍历DOM和CSS选择器查找和提取数据；
.操作HTML的元素、属性和文本等；
.消除不受信任的HTML (来防止XSS攻击)；
.格式化输出HTML。

解析一个HTML字符串

String html = "<html><head><title>First parse</title></head>"+ "<body><p>Parsed HTML into a doc.</p></body></html>";Document doc = Jsoup.parse(html);

解析一个body片断

假如你有一个HTML片断（比如一个div包含一对p标签：一个不完整的HTML文档）想对它进行解析。这个HTML片断可以是用户提交的一条评论或在一个CMS页面中编辑body部分。

String html = "<div><p>Lorem ipsum.</p>";Document doc = Jsoup.parseBodyFragment(html);

parseBodyFragment 方法创建一个空壳的文档，并插入解析过的HTML到body元素中。假如你使用正常的 Jsoup.parse(String html) 方法，通常你也可以得到相同的结果，但是明确将用户输入作为 body片段处理，以确保用户所提供的任何糟糕的HTML都将被解析成body元素。

从一个URL加载一个Document

Document doc = Jsoup.connect("http://example.com/").get();

从一个文件加载一个文档

File input = new File("index.html");Document doc = Jsoup.parse(input, "UTF-8");

Element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。

查找元素：

getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key) （等相关方法）
siblingElements()
firstElementSibling()
lastElementSibling()
nextElementSibling()
previousElementSibling()
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HTML
html(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

File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8");// 带有href属性的a元素Elements links = doc.select("a[href]");// 扩展名为.png的图片Elements pngs = doc.select("img[src$=.png]");// class等于masthead的div标签Element masthead = doc.select("div.masthead").first();  // 在h3元素之后的a元素Elements resultLinks = doc.select("h3.r > a");

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：a
ns|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 <fb:name> 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#logo
el.class: 元素+class，比如： div.masthead
el[attr]: 元素+class，比如： a[href]
任意组合，比如：a[href].highlight
ancestor 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 + div
siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p
el, 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。

遍历Elements

Document doc = Jsoup.connect("http://example.com/").get();Elements links = doc.select("a");for (Element link : links) {System.out.print(link.attr("href"));}

设置属性的值

doc.select("div.comments a").attr("rel", "nofollow");

设置class属性可以用Element.addClass(String className) 和Element.removeClass(String className) 方法

设置一个元素的HTML内容

Element div = doc.select("div").first();// <div></div>div.html("<p>lorem ipsum</p>");// <div><p>lorem ipsum</p></div>div.prepend("<p>First</p>");// 在div前添加html内容div.append("<p>Last</p>");// 在div之后添加html内容// 添完后的结果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div>Element span = doc.select("span").first(); // <span>One</span>span.wrap("<li><a href='http://example.com/'></a></li>");// 添完后的结果: <li><a href="http://example.com"><span>One</span></a></li>

设置元素的文本内容

Element div = doc.select("div").first();// <div></div>div.text("five > four");// <div>five > four</div>div.prepend("First ");div.append(" Last");// now: <div>First five > four Last</div>

0 0