jsoup解析html

来源：互联网发布：空气质量实时监测数据编辑：程序博客网时间：2024/06/06 05:35
Jsoup应该说是最简单快速的Html解析程序了，完善的API以及与JS类似的操作方式，为Java的Html解析带来极大的方便，结合多线程适合做一些网络数据的抓取，本文从一下几个方面介绍一下，篇幅有限，化繁为简。
下载Jsouphttp://jsoup.org/download
查看官方提供的手册：http://jsoup.org/cookbook/
参考网址：http://www.xdemo.org/jsoup-html-parse/
package com.comm.util;import java.io.BufferedInputStream;import java.io.File;import java.io.IOException;import java.io.InputStream;import java.net.URL;import java.net.URLConnection;import java.util.regex.Pattern;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.safety.Whitelist;/** *  * 描        述：jsoup解析HTML * 创建时间：2016-7-26 * @author Jibaole */public class JsoupUtil {/** * jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。 * @param url * @return */public static String invoke(String url) {StringBuffer out = new StringBuffer();try {URL conn_url = new URL(url);URLConnection con = conn_url.openConnection();InputStream is = con.getInputStream();InputStream inputStream = new BufferedInputStream(conn_url.openStream());byte[] b = new byte[4096];for (int n; (n = inputStream.read(b)) != -1;) {out.append(new String(b, 0, n));}System.out.println(out.toString());} catch (Exception ex) {ex.printStackTrace();}return out.toString();}/**     * 将String转换成Document     * @return org.jsoup.nodes.Document     */    public static Document parseHtmlFromString(){        String html = "<html><head><title>标题</title></head>"                + "<body><p>段落</p></body></html>";        Document doc = Jsoup.parse(html);        return doc;    }         /**     * 注意：这是一个不安全的方法     * 将String转换成Html片段,注意防止跨站脚本攻击     * @return Element     */    public static Element parseHtmlFragmentFromStringNotSafe(){        String html = "<div><p>Lorem ipsum.</p>";        Document doc = Jsoup.parseBodyFragment(html);        Element body = doc.body();        return body;    }         /**     * 这是一个安全的方法     * 将String转换成Html片段,注意防止跨站脚本攻击     * @return Element     */    public static Element parseHtmlFragmentFromStringSafe(){        String html = "<div><p>Lorem ipsum.</p>";        //白名单列表定义了哪些元素和属性可以通过清洁器，其他的元素和属性一律移除        Whitelist wl=new Whitelist();        //比较松散的过滤，包括        //"a", "b", "blockquote", "br", "caption", "cite", "code", "col",        //"colgroup", "dd", "div", "dl", "dt", "em", "h1", "h2", "h3", "h4", "h5", "h6",        //"i", "img", "li", "ol", "p", "pre", "q", "small", "strike", "strong",        //"sub", "sup", "table", "tbody", "td", "tfoot", "th", "thead", "tr", "u",        //"ul"        Whitelist.relaxed();        //没有任何标签，只有文本        Whitelist.none();        //常规的过滤器        //"a", "b", "blockquote", "br", "cite", "code", "dd", "dl", "dt", "em",        //"i", "li", "ol", "p", "pre", "q", "small", "strike", "strong", "sub",        //"sup", "u", "ul"        Whitelist.basic();        //常规的过滤器，多了一个img标签        Whitelist.basicWithImages();        //文本类型的标签        //"b", "em", "i", "strong", "u"        Whitelist.simpleText();        //另外还可以自定义过滤规则,例如        wl.addTags("a");        //执行过滤        Jsoup.clean(html, wl);        Document doc = Jsoup.parseBodyFragment(html);        Element body = doc.body();        return body;    }         /**     * 从URL加载     * @return Document     */    public static Document parseDocumentFromUrl(){        Document doc = null;        try {            doc = Jsoup.connect("http://www.google.com/").get();            //获取标题            String title = doc.title();            System.out.println(title);//输出：Google            //data(key,value)是该URL要求的参数            //userAgent制定用户使用的代理类型            //cookie带上cookie，如cookie("JSESSIONID","FDE234242342342423432432")            //连接超时时间            //post或者get方法            doc = Jsoup.connect("http://www.xxxxx.com/")                      .data("query", "Java")                      .userAgent("Mozilla")                      .cookie("auth", "token")                      .timeout(3000)                      .post();                     } catch (IOException e) {            e.printStackTrace();        }        return doc;    }    /**     * 从文件加载     * @return Document     */    public static Document parseDocumentFromFile(){        File input = new File("/tmp/input.html");        Document doc=null;        try {            //从文件加载Document文档            doc = Jsoup.parse(input, "UTF-8");            System.out.println(doc.title());        } catch (IOException e) {            e.printStackTrace();        }        return doc;    }public static void main(String[] args) {/*String url = "https://www.baidu.com/index.php?tn=monline_3_dg";System.out.println(JsoupUtil.invoke(url));try {Document doc = Jsoup.connect(url).get();// Elements contents = doc.getElementsByAttribute("a");Elements datas = doc.getElementsByTag("a");// getElementsByAttribute("a");for (Element data : datas) {System.out.println("data=" + data.attr("href").toString());}} catch (Exception ex) {ex.printStackTrace();}*///加载html  //System.out.println(""+parseHtmlFromString());//System.out.println(""+parseHtmlFragmentFromStringNotSafe());//System.out.println(""+parseHtmlFragmentFromStringSafe());Document doc;try {//获取文档doc=Jsoup.connect("https://www.baidu.com//").get(); /*****获取单一元素******///与JS类似的根据ID选择的选择器<div id="content"></div>Element content = doc.getElementById("content"); /*****一下方法的返回值都是Elements集合******/ //获取所有的a标签<a href="#"></a>content.getElementsByTag("a");//类选择器<div></div>doc.getElementsByClass("divClass");//获取Document的所有元素doc.getAllElements();//根据属性获取元素<a href="#"></a>doc.getElementsByAttribute("href");//根据属性前缀获取元素 <li data-name="Peter Liu" data-city="ShangHai" data-lang="CSharp" data-food="apple">doc.getElementsByAttributeStarting("data-");//根据key-value选择如<a href="http://xdemo.org"></a>doc.getElementsByAttributeValue("href","http://xdemo.org");//和上面的正好相反doc.getElementsByAttributeValueNot("href","http://xdemo.org");//根据key-value,其中value可能是key对应属性的一个子字符串，选择如<a href="http://xdemo.org"></a>doc.getElementsByAttributeValueContaining("href", "xdemo");//根据key-value,其中key对应值的结尾是value，选择如<a href="http://xdemo.org"></a>doc.getElementsByAttributeValueEnding("href", "org");//和上面的正好相反doc.getElementsByAttributeValueStarting("href","http://xdemo");//正则匹配，value需要满足正则表达式，<a href="http://xdemo.org"></a>,如href的值含有汉字doc.getElementsByAttributeValueMatching("href",Pattern.compile("[\u4e00-\u9fa5]"));//同上doc.getElementsByAttributeValueMatching("href", "[\u4e00-\u9fa5]");//根据元素所在的z-index获取元素doc.getElementsByIndexEquals(0);//获取z-index大于x的元素doc.getElementsByIndexGreaterThan(0);//和上面的正好相反doc.getElementsByIndexLessThan(10); //遍历标签for (Element link : content.getElementsByTag("a")) { String linkHref = link.attr("href"); String linkText = link.text();} /**************一些其他常用的方法**************///获取网页标题doc.title();//获取页面的所有文本doc.text(); //为元素添加一个css classcontent.addClass("newClass");//根据属性获取值content.attr("id");//获取所有子元素content.children();//获取元素内的所有文本content.text();//获取同级元素content.siblingElements();  } catch (Exception e) {e.printStackTrace();} }}
0 0