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。
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)
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。
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 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]
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
: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 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
^_^