java-jsoup解析html页面的内容

来源：互联网发布：神魔诛天变身进阶数据编辑：程序博客网时间：2024/05/24 15:38

分类： java2013-08-19 15:19 2147人阅读评论(0) 收藏举报

jsoup

前面一篇文章讲述了怎么用httpclient发送页面请求，下面要做的就是爬取请求到的页面的内容了。 jsoup可以帮助我们很好的解析页面内容。具体例子我们在上文的框架里做示范。

上文链接：http://blog.csdn.net/zzq900503/article/details/10006751

jsoup的介绍：http://baike.baidu.com/view/4066913.htm

jsoup api:http://jsoup.org/apidocs/

jsoup 教程:http://www.open-open.com/jsoup/

增加两个import

[java] view plaincopy
import org.jsoup.safety.Whitelist;  
import org.jsoup.select.Elements;  

现在我要抓取我的博客首页的部分内容：

主要是修改main函数里的内容其他部分没做更改

main函数内容更改如下:

[java] view plaincopy
public static void main(String[] args) {  
      
      
    String url ="http://blog.csdn.net/zzq900503";  
      
    initHttpClient();  
      
    String content =crawlPageContent(httpClient,url);  
//  System.out.println(content);  
    Document doc = Jsoup.parse(content);  
    String title = doc.title();  
    System.out.println(title);  
      
    Element a=doc.getElementById("panel_Profile");  
      
    Elements li_content=a.getElementsByTag("li");  
  
    //提取方式一:  
//  for(Element i:li_content)  
//  {  
//      String tag=i.tagName();  
//      if(tag.equals("li"))  
//      {  
//          System.out.println(i.text());  
//            
//      }  
//        
//        
//  }  
      
    //提取方式二:  
//  for(Element i:li_content)  
//  {  
//      String tag=i.tagName();  
//      if(tag.equals("li"))  
//      {  
//          String fre_content= i.ownText();  
//        
//         System.out.println(fre_content);  
//         if(i.children().size()>0&&i.children()!=null)  
//         {  
//         String after_content=i.child(0).text();  
//         System.out.println(after_content);  
//         }  
//      }  
//        
//        
//  }  
      
      
    //提取方式三:  
    for(Element i:li_content)  
    {  
        String tag=i.tagName();  
        if(tag.equals("li"))  
        {  
            String all_content=i.text();  
            String all_string=Jsoup.clean(all_content, Whitelist.none());  
        String[] all=all_string.split("：");        
           if(all.length>0&&all!=null)  
           {  
               String fre_content=all[0].toString();  
               System.out.println(fre_content);  
           String after_content=all[1].toString();  
           System.out.println(after_content);  
           }  
        }  
          
          
    }  
      
      
      
}  

得到的结果如下：

方式一：

方式二:

方式三:

除了上述的用httpclient获取页面内容外，jsoup本身也支持字符串，链接，文档文件的解析。（只需要在工程中引用jsoup-1.3.3.jar即可）例子如下:

[java] view plaincopy
public void parseString() {    
    String html = "<html><head><title>blog</title></head><body onload='test()'><p>Parsed HTML into a doc.</p></body></html>";    
    Document doc = Jsoup.parse(html);    
    System.out.println(doc);    
    Elements es = doc.body().getAllElements();    
    System.out.println(es.attr("onload"));    
    System.out.println(es.select("p"));    
}    
  
public void parseUrl() {    
    try {    
        Document doc = Jsoup.connect("http://www.baidu.com/").get();    
        Elements hrefs = doc.select("a[href]");    
        System.out.println(hrefs);    
        System.out.println("------------------");    
        System.out.println(hrefs.select("[href^=http]"));    
    } catch (IOException e) {    
        e.printStackTrace();    
    }    
}    
  
public void parseFile() {    
    try {    
        File input = new File("input.html");    
        Document doc = Jsoup.parse(input, "UTF-8");    
        // 提取出所有的编号    
        Elements codes = doc.body().select("td[title^=IA] > a[href^=javascript:view]");    
        System.out.println(codes);    
        System.out.println("------------------");    
        System.out.println(codes.html());    
    } catch (IOException e) {    
        e.printStackTrace();    
    }    
}    

jsoup解析有很多种方法能得到同样的结构，就看你想用哪种思路。

有用id定位的有用tagname获取的有用class 获取的

常用的方法如下:

jsoup提供类似JS获取html元素：
getElementById(String id) 用id获得元素
getElementsByTag(String tag) 用标签获得元素
getElementsByClass(String className) 用class获得元素
getElementsByAttribute(String key) 用属性获得元素
同时还提供下面的方法提供获取兄弟节点：siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()

获得与设置元素的数据
attr(String key) 获得元素的数据 attr(String key, String value) 设置元素数据
attributes() 获得所以属性
id(), className() classNames() 获得id class得值
text()获得文本值
text(String value) 设置文本值
html() 获取html
html(String value)设置html
outerHtml() 获得内部html
data()获得数据内容
tag() 获得tag 和 tagName() 获得tagname

操作html元素：
append(String html), prepend(String html)
appendText(String text), prependText(String text)
appendElement(String tagName), prependElement(String tagName)
html(String value)

jsoup还提供了类似于JQuery方式的选择器
采用选择器来检索数据
tagname 使用标签名来定位，例如 a
ns|tag 使用命名空间的标签定位，例如 fb:name 来查找 <fb:name> 元素
#id 使用元素 id 定位，例如 #logo
.class 使用元素的 class 属性定位，例如 .head
* 定位所有元素
[attribute] 使用元素的属性进行定位，例如 [href] 表示检索具有 href 属性的所有元素
[^attr] 使用元素的属性名前缀进行定位，例如 [^data-] 用来查找 HTML5 的 dataset 属性
[attr=value]使用属性值进行定位，例如 [width=500] 定位所有 width 属性值为 500 的元素
[attr^=value],[attr$=value],[attr*=value] 这三个语法分别代表，属性以 value 开头、结尾以及包含
[attr~=regex]使用正则表达式进行属性值的过滤，例如 img[src~=(?i)\.(png|jpe?g)]
以上是最基本的选择器语法，这些语法也可以组合起来使用

组合用法
el#id 定位id值某个元素，例如 a#logo -> <a id=logo href= … >
el.class 定位 class 为指定值的元素，例如 div.head -> <div class=head>xxxx</div>
el[attr] 定位所有定义了某属性的元素，例如 a[href]
以上三个任意组合例如 a[href]#logo 、a[name].outerlink

除了一些基本的语法以及这些语法进行组合外，jsoup 还支持使用表达式进行元素过滤选择
:lt(n) 例如 td:lt(3) 表示小于三列
:gt(n) div p:gt(2) 表示 div 中包含 2 个以上的 p
:eq(n) form input:eq(1) 表示只包含一个 input 的表单
:has(seletor) div:has(p) 表示包含了 p 元素的 div
:not(selector) div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text) 包含某文本的元素，不区分大小写，例如 p:contains(oschina)
:containsOwn(text) 文本信息完全等于指定条件的过滤
:matches(regex) 使用正则表达式进行文本过滤：div:matches((?i)login)
:matchesOwn(regex) 使用正则表达式找到自身的文本

http://blog.csdn.net/zzq900503/article/details/10071307

0 0