转载

Java上的jQuery？解析HTML利器—Jsoup

也许大家有过在java运行平台上解析html的经历，通常的方式是将HTML以XML的形式进行结点解析，调用java本身的xml解析类库。这样的方式很容易理解并且很方便，但习惯用jQuery的各位是否在感叹能否在java中像jQuery一样获取标签内容，实现DOM操作呢？终于，发现了一个html解析利器， jsoup ！

初次用jsoup的时候是在业余时间做一款漫画下载器的时候发现的，做漫画下载器时，因无法得到网站的API接口，所以只能通过解析HTML的方式获得网页内容与图片，在网络上找到jsoup以后发现习惯于jquery方式编程的我很快就可以适应jsoup的选择器，得到内容的方式也很容易，下面我们就开始学习神奇的jsoup。

1.下载jsoup

大家可以去jsoup的官网下载jsoup，或者点击 jsoup-1.7.3.jar (官方下载地址)

2.jsoup初体验

第一步获取html文档对象。

Document对象:用于接收html的文档内容

Jsoup.connect(String url).get():用于指定网址，返回值为Document对象

ps:如果需要解析访问较慢的网站的话需要加上timeout方法，以放抛出RuntimeException异常。

//文档对象，用来接收html页面
 Document document = null;
 try {
     //获取指定网址的页面内容
     document = Jsoup.connect("http://www.baidu.com/").timeout(50000).get();
 } catch (IOException e) {
     e.printStackTrace();
 }

另外我们除了通过网址的到HTML文档对象外还可以通过读取HTML文件来获取HTML文档，方法如下:

//获得文件对象
File input = new File("/tmp/input.html");
//获得文档对象
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

上面这段代码很好理解,parse是Jsoup类的静态方法，用于加载和解析HTML文档，其中的三个参数分别为:

参数1:要获取的文件对象

参数2:HTML文档的文字编码例如UTF-8，ISO 8859-1，GBK等等

参数3:用于相对路径的前缀

第二步通过选择器得到想要的Dom结点

jsoup提供了丰富的选择器，选择器的方便程度媲美jQuery，其中的筛选选择器，父选择器等更是jQuery上本身就拥有的，具体该怎么用这个选择器呢？相信习惯jQuery的童鞋很快就会适应jsoup选择器的。

首先我们需要认识一下Elements对象，Elements类实现了java.lang.List接口，主要用于保存选择器选择到的结点。

接下来我们来看一下Document对象获取结点的步骤:

//通过Document的select方法获取class为abc的Elements结点集合
Elements elements = document.select(".abc");
//得到结点的第一个对象
Element element = elements.get(0);
//获取想要的属性值
String href = element.attr("href");

共三步，就可以得到想要的结果了，是不是很方便呢？

并且第二个步骤是可以省略的，下面让我们来看一下Elements的attr()方法的源码

/**
     Get an attribute value from the first matched element that has the attribute.
     @param attributeKey The attribute key.
     @return The attribute value from the first matched element that has the attribute.. If no elements were matched (isEmpty() ==      true),
     or if the no elements have the attribute, returns empty string.
     @see #hasAttr(String)
     */
    public String attr(String attributeKey) {
        for (Element element : contents) {
            if (element.hasAttr(attributeKey))
                return element.attr(attributeKey);
        }
        return "";
    }

上边两个方法可以清除的看到当我们输入结点名称时，他会自动遍历所有集合内所有结点是否拥有此属性，如果拥有此属性即跳出返回结果，如无法找到含有此属性的结点则返回 Empty。

jsoup的选择器除了上面的例子里的类选择器还有下面的丰富选择器，大家可根据需要来选择使用。

Selector选择器

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

为了照顾习惯js原生获得结点方式的朋友们，jsoup还加入了许多原生方法名，例如:

//通过ID获得结点，返回值为Element而不是Elements
getElementById(String id)
//通过结点名返回节点集
getElementsByTag(String tag)
//通过类返回结点集
getElementsByClass(String className)

第三步修改结点属性

对于仅仅要读取数据的朋友们来说上面两步已经足以完成需求，而对于有修改文档内容需求的来说Jsoup同样提供了强大的属性赋值，例如:

//为结点添加内容
element.html(内容);
//添加属性
element.attr(属性名,属性值)
//添加类
element.addClass(类名)

修改结点属性的方式也与jQuery类似，也很容易理解。

如果大家已经了解了jsoup的基础操作的话，可以自己动手试试解析一个HTML文档，如果有问题欢迎跟帖，另外附上两个jsoup教程的网址:

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

英文好的同学可以去瞧瞧，jsoup实用的方法还有很多的哦！

jsoup中文版教程: http://www.open-open.com/jsoup/parsing-a-document.htm

^_^

原文 http://www.importnew.com/21055.html

正文到此结束

所属分类：编程技术

本文标签： HTML Select http java 数据 CTO DOM src logo UI 空间 HTML文件 example 正则表达式 jquery Document 参数图片网站时间 parse list ORM cat 需求遍历 value 下载代码解析 key 朋友们 js HTML5 jsoup XML ACE 源码 API
版权声明： 本文为互联网转载文章，出处已在文章中说明(部分除外)。如果侵权，请联系本站长删除，谢谢。
本文海报： 生成海报一生成海报二

Java上的jQuery？解析HTML利器—Jsoup

1.下载jsoup

2.jsoup初体验

Selector选择器

Selector选择器组合使用

伪选择器selectors

热门推荐

相关文章

说给你听

本文目录

随机标签

书籍教程

近期评论

网站信息

其他链接

关于本站

问题交流