轉(zhuǎn)載至：
https://www.cnblogs.com/zhangyinhua/p/8037599.html
一、Jsoup概述
一、Jsoup概述
1.1、簡(jiǎn)介
jsoup 是一款Java 的HTML解析器，可直接解析某個(gè)URL地址、HTML文本內(nèi)容。它提供了一套非常省力的API，
可通過(guò)DOM，CSS以及類(lèi)似于jQuery的操作方法來(lái)取出和操作數(shù)據(jù)。
1.2、Jsoup的主要功能
1）從一個(gè)URL，文件或字符串中解析HTML
2）使用DOM或CSS選擇器來(lái)查找、取出數(shù)據(jù)
3）可操作HTML元素、屬性、文本
注意：jsoup是基于MIT協(xié)議發(fā)布的，可放心使用于商業(yè)項(xiàng)目。
1.3、jsoup 的主要類(lèi)層次結(jié)構(gòu)
二、入門(mén)
2.1、解析和遍歷一個(gè)HTML文檔
如何解析一個(gè)HTML文檔：
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);
其解析器能夠盡最大可能從你提供的HTML文檔來(lái)創(chuàng)見(jiàn)一個(gè)干凈的解析結(jié)果，無(wú)論HTML的格式是否完整。比如它可以處理：
1）沒(méi)有關(guān)閉的標(biāo)簽
<p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>
2）隱式標(biāo)簽
它可以自動(dòng)將 <td>Table data</td>包裝成<table><tr><td>?
3）創(chuàng)建可靠的文檔結(jié)構(gòu)
html標(biāo)簽包含head 和 body，在head只出現(xiàn)恰當(dāng)?shù)脑?2.2、一個(gè)文檔的對(duì)象模型
1）文檔由多個(gè)Elements和TextNodes組成
2）其繼承結(jié)構(gòu)如下：Document繼承Element繼承Node. TextNode繼承 Node.
3）一個(gè)Element包含一個(gè)子節(jié)點(diǎn)集合，并擁有一個(gè)父Element。他們還提供了一個(gè)唯一的子元素過(guò)濾列表。
三、輸入
3.1、解析一個(gè)HTML字符串
1）存在問(wèn)題
來(lái)自用戶輸入，一個(gè)文件或一個(gè)網(wǎng)站的HTML字符串，你可能需要對(duì)它進(jìn)行解析并取其內(nèi)容，或校驗(yàn)其格式是否完整，
或想修改它。怎么辦？ jsoup能夠幫你輕松解決這些問(wèn)題
2）解決方法
使用靜態(tài)Jsoup.parse(String html) 方法或 Jsoup.parse(String html, String baseUri)
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);
3）描述
A:
parse(String html, String baseUri) 這方法能夠?qū)⑤斎氲腍TML解析為一個(gè)新的文檔 (Document），參數(shù) baseUri 是用來(lái)將相對(duì) URL 轉(zhuǎn)成絕對(duì)URL，
并指定從哪個(gè)網(wǎng)站獲取文檔。如這個(gè)方法不適用，你可以使用 parse(String html) 方法來(lái)解析成HTML字符串如上面的示例。
B:
只要解析的不是空字符串，就能返回一個(gè)結(jié)構(gòu)合理的文檔，其中包含(至少) 一個(gè)head和一個(gè)body元素。
C:
一旦擁有了一個(gè)Document，你就可以使用Document中適當(dāng)?shù)姆椒ɑ蛩割?lèi) Element和Node中的方法來(lái)取得相關(guān)數(shù)據(jù)。
3.2、解析一個(gè)body片斷
1）存在問(wèn)題
假如你有一個(gè)HTML片斷 (比如. 一個(gè) div 包含一對(duì) p 標(biāo)簽; 一個(gè)不完整的HTML文檔) 想對(duì)它進(jìn)行解析。這個(gè)HTML片斷可以是用戶提交的一條評(píng)論
或在一個(gè)CMS頁(yè)面中編輯body部分。
2）辦法
使用Jsoup.parseBodyFragment(String html)方法。
String html = "<div><p>Lorem ipsum.</p>";
Document doc = Jsoup.parseBodyFragment(html);
Element body = doc.body();
3）說(shuō)明
A:
parseBodyFragment 方法創(chuàng)建一個(gè)空殼的文檔，并插入解析過(guò)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結(jié)果，但是明確將用戶輸入作為 body片段處理，以確保用戶所提供的任何糟糕的HTML都將被解析成body元素。
B:
Document.body() 方法能夠取得文檔body元素的所有子元素，與 doc.getElementsByTag("body")相同。
3.3、從一個(gè)URL加載一個(gè)Document
1）存在問(wèn)題
你需要從一個(gè)網(wǎng)站獲取和解析一個(gè)HTML文檔，并查找其中的相關(guān)數(shù)據(jù)。
2）解決方法
使用 Jsoup.connect(String url)方法:
Document doc = Jsoup.connect("http://example.com/").get();
String title = doc.title();
3）說(shuō)明
connect(String url) 方法創(chuàng)建一個(gè)新的 Connection, 和 get() 取得和解析一個(gè)HTML文件。如果從該URL獲取HTML時(shí)發(fā)生錯(cuò)誤，便會(huì)拋出 IOException，應(yīng)適當(dāng)處理。
Connection 接口還提供一個(gè)方法鏈來(lái)解決特殊請(qǐng)求，具體如下：
Document doc = Jsoup.connect("http://example.com";)
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(3000)
.post();
這個(gè)方法只支持Web URLs (http和https 協(xié)議); 假如你需要從一個(gè)文件加載，可以使用 parse(File in, String charsetName) 代替。
3.4、從一個(gè)文件加載文檔
1）存在問(wèn)題
在本機(jī)硬盤(pán)上有一個(gè)HTML文件，需要對(duì)它進(jìn)行解析從中抽取數(shù)據(jù)或進(jìn)行修改。
2）方法
可以使用靜態(tài) Jsoup.parse(File in, String charsetName, String baseUri) 方法：
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/";);
3）說(shuō)明
A:
parse(File in, String charsetName, String baseUri) 這個(gè)方法用來(lái)加載和解析一個(gè)HTML文件。如在加載文件的時(shí)候發(fā)生錯(cuò)誤，將拋出IOException，應(yīng)作適當(dāng)處理。
B:
baseUri 參數(shù)用于解決文件中URLs是相對(duì)路徑的問(wèn)題。如果不需要可以傳入一個(gè)空的字符串。
C:
另外還有一個(gè)方法parse(File in, String charsetName) ，它使用文件的路徑做為 baseUri。 這個(gè)方法適用于如果被解析文件位于網(wǎng)站的本地文件系統(tǒng)，
且相關(guān)鏈接也指向該文件系統(tǒng)。
四、數(shù)據(jù)抽取
4.1、使用DOM方法來(lái)遍歷一個(gè)文檔
1）存在問(wèn)題
你有一個(gè)HTML文檔要從中提取數(shù)據(jù)，并了解這個(gè)HTML文檔的結(jié)構(gòu)。
2）方法
將HTML解析成一個(gè)Document之后，就可以使用類(lèi)似于DOM的方法進(jìn)行操作。
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Element content = doc.getElementById("content");
Elements links = content.getElementsByTag("a"); for (Element link : links) {
String linkHref = link.attr("href");
String linkText = link.text();
}
3）說(shuō)明
Elements這個(gè)對(duì)象提供了一系列類(lèi)似于DOM的方法來(lái)查找元素，抽取并處理其中的數(shù)據(jù)。具體如下：
A：查看元素
getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key) (and related methods)
Element siblings: siblingElements(), firstElementSibling(), lastElementSibling(); nextElementSibling(), previousElementSibling()
B：元素?cái)?shù)據(jù)
attr(String key)獲取屬性attr(String key, String value)設(shè)置屬性
attributes()獲取所有屬性
id(), className() and classNames()
text()獲取文本內(nèi)容text(String value) 設(shè)置文本內(nèi)容
html()獲取元素內(nèi)HTMLhtml(String value)設(shè)置元素內(nèi)的HTML內(nèi)容
outerHtml()獲取元素外HTML內(nèi)容
data()獲取數(shù)據(jù)內(nèi)容（例如：script和style標(biāo)簽)
tag() and tagName()
C：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)
4.2、使用選擇器語(yǔ)法來(lái)查找元素
1）存在問(wèn)題
你想使用類(lèi)似于CSS或jQuery的語(yǔ)法來(lái)查找和操作元素。
2）方法
可以使用Element.select(String selector) 和 Elements.select(String selector) 方法實(shí)現(xiàn)：
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Elements links = doc.select("a[href]"); //帶有href屬性的a元素
Elements pngs = doc.select("img[src$=.png]"); //擴(kuò)展名為.png的圖片
Element masthead = doc.select("div.masthead").first(); //class等于masthead的div標(biāo)簽
Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素</pre>
3）說(shuō)明
jsoup elements對(duì)象支持類(lèi)似于CSS (或jquery)的選擇器語(yǔ)法，來(lái)實(shí)現(xiàn)非常強(qiáng)大和靈活的查找功能。.
這個(gè)select 方法在Document, Element,或Elements對(duì)象中都可以使用。且是上下文相關(guān)的，因此可實(shí)現(xiàn)指定元素的過(guò)濾，或者鏈?zhǔn)竭x擇訪問(wèn)。
Select方法將返回一個(gè)Elements集合，并提供一組方法來(lái)抽取和處理結(jié)果。
A：Selector選擇器概述
tagname: 通過(guò)標(biāo)簽查找元素，比如：a
ns|tag: 通過(guò)標(biāo)簽在命名空間查找元素，比如：可以用 fb|name 語(yǔ)法來(lái)查找 <fb:name> 元素
#id: 通過(guò)ID查找元素，比如：#logo
.class: 通過(guò)class名稱查找元素，比如：.masthead
[attribute]: 利用屬性查找元素，比如：[href]
[^attr]: 利用屬性名前綴來(lái)查找元素，比如：可以用[^data-] 來(lái)查找?guī)в蠬TML5 Dataset屬性的元素
[attr=value]: 利用屬性值來(lái)查找元素，比如：[width=500]
[attr^=value], [attr$=value], [attr=value]: 利用匹配屬性值開(kāi)頭、結(jié)尾或包含屬性值來(lái)查找元素，比如：[href=/path/]
[attr~=regex]: 利用屬性值匹配正則表達(dá)式來(lái)查找元素，比如： img[src~=(?i).(png|jpe?g)]
*: 這個(gè)符號(hào)將匹配所有元素
B：Selector選擇器組合使用
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]
任意組合，比如：a[href].highlight
ancestor child: 查找某個(gè)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: 查找某個(gè)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標(biāo)簽下所有直接子元素
siblingA + siblingB: 查找在A元素之前第一個(gè)同級(jí)元素B，比如：div.head + div
siblingA ~ siblingX: 查找A元素之前的同級(jí)X元素，比如：h1 ~ p
el, el, el:多個(gè)選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo
C：偽選擇器selectors
:lt(n): 查找哪些元素的同級(jí)索引值（它的位置在DOM樹(shù)中是相對(duì)于它的父節(jié)點(diǎn)）小于n，比如：td:lt(3) 表示小于三列的元素
:gt(n):查找哪些元素的同級(jí)索引值大于n，比如： div p:gt(2)表示哪些div中有包含2個(gè)以上的p元素
:eq(n): 查找哪些元素的同級(jí)索引值與n相等，比如：form input:eq(1)表示包含一個(gè)input標(biāo)簽的Form元素
:has(seletor): 查找匹配選擇器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
:not(selector): 查找與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表
:contains(text): 查找包含給定文本的元素，搜索不區(qū)分大不寫(xiě)，比如： p:contains(jsoup)
:containsOwn(text): 查找直接包含給定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正則表達(dá)式，比如：div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正則表達(dá)式的元素
注意：上述偽選擇器索引是從0開(kāi)始的，也就是
4.3、從元素抽取屬性，本文和HTML
1）存在問(wèn)題
在解析獲得一個(gè)Document實(shí)例對(duì)象，并查找到一些元素之后，你希望取得在這些元素中的數(shù)據(jù)。
2）方法
要取得一個(gè)屬性的值，可以使用Node.attr(String key) 方法
對(duì)于一個(gè)元素中的文本，可以使用Element.text()方法
對(duì)于要取得元素或?qū)傩灾械腍TML內(nèi)容，可以使用Element.html(), 或 Node.outerHtml()方法
String html = "<p>An <a ><b>example</b></a> link.</p>";
Document doc = Jsoup.parse(html);//解析HTML字符串返回一個(gè)Document實(shí)現(xiàn)
Element link = doc.select("a").first();//查找第一個(gè)a元素
String text = doc.body().text(); // "An example link"http://取得字符串中的文本
String linkHref = link.attr("href"); // "http://example.com/"http://取得鏈接地址
String linkText = link.text(); // "example""http://取得鏈接地址中的文本
String linkOuterH = link.outerHtml(); // "<a
String linkInnerH = link.html(); // "<b>example</b>"http://取得鏈接內(nèi)的html內(nèi)容
3）說(shuō)明
上述方法是元素?cái)?shù)據(jù)訪問(wèn)的核心辦法。此外還其它一些方法可以使用：
Element.id()
Element.tagName()
Element.className() and Element.hasClass(String className)
這些訪問(wèn)器方法都有相應(yīng)的setter方法來(lái)更改數(shù)據(jù).
4.4、處理URLs
1）存在問(wèn)題
你有一個(gè)包含相對(duì)URLs路徑的HTML文檔，需要將這些相對(duì)路徑轉(zhuǎn)換成絕對(duì)路徑的URLs。
2）方法
在你解析文檔時(shí)確保有指定base URI，然后
使用 abs: 屬性前綴來(lái)取得包含base URI的絕對(duì)路徑。代碼如下：
Document doc = Jsoup.connect("http://www.open-open.com").get();
Element link = doc.select("a").first();
String relHref = link.attr("href"); // == "/"
String absHref = link.attr("abs:href"); // "http://www.open-open.com/"
3）說(shuō)明
在HTML元素中，URLs經(jīng)常寫(xiě)成相對(duì)于文檔位置的相對(duì)路徑： <a href="/download">...</a>.
當(dāng)你使用 Node.attr(String key) 方法來(lái)取得a元素的href屬性時(shí)，它將直接返回在HTML源碼中指定定的值。
假如你需要取得一個(gè)絕對(duì)路徑，需要在屬性名前加 abs: 前綴。這樣就可以返回包含根路徑的URL地址attr("abs:href")
因此，在解析HTML文檔時(shí)，定義base URI非常重要。
如果你不想使用abs: 前綴，還有一個(gè)方法能夠?qū)崿F(xiàn)同樣的功能 Node.absUrl(String key)。
4.5、實(shí)例程序：獲取所有連鏈接
1）說(shuō)明
這個(gè)示例程序?qū)⒄故救绾螐囊粋€(gè)URL獲得一個(gè)頁(yè)面。然后提取頁(yè)面中的所有鏈接、圖片和其它輔助內(nèi)容。并檢查URLs和文本信息。
2）運(yùn)行下面程序需要執(zhí)行一個(gè)URLs作為參數(shù)
package org.jsoup.examples;
import org.jsoup.Jsoup;
import org.jsoup.helper.Validate;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.IOException; /**
* Example program to list links from a URL. */
public class ListLinks { public static void main(String[] args) throws IOException {
Validate.isTrue(args.length == 1, "usage: supply url to fetch");
String url = args[0];
print("Fetching %s...", url);
Document doc = Jsoup.connect(url).get();
Elements links = doc.select("a[href]");
Elements media = doc.select("[src]");
Elements imports = doc.select("link[href]");
print("\nMedia: (%d)", media.size()); for (Element src : media) { if (src.tagName().equals("img"))
print(" * %s: <%s> %sx%s (%s)",
src.tagName(), src.attr("abs:src"), src.attr("width"), src.attr("height"),
trim(src.attr("alt"), 20)); else print(" * %s: <%s>", src.tagName(), src.attr("abs:src"));
}
print("\nImports: (%d)", imports.size()); for (Element link : imports) {
print(" * %s <%s> (%s)", link.tagName(),link.attr("abs:href"), link.attr("rel"));
}
print("\nLinks: (%d)", links.size()); for (Element link : links) {
print(" * a: <%s> (%s)", link.attr("abs:href"), trim(link.text(), 35));
}
} private static void print(String msg, Object... args) {
System.out.println(String.format(msg, args));
} private static String trim(String s, int width) { if (s.length() > width) return s.substring(0, width-1) + "."; else
return s;
}
}
3）查看結(jié)果
Fetching http://news.ycombinator.com/...
Media: (38) * img: <http://ycombinator.com/images/y18.gif> 18x18 ()
* img: <http://ycombinator.com/images/s.gif> 10x1 ()
* img: <http://ycombinator.com/images/grayarrow.gif> x ()
* img: <http://ycombinator.com/images/s.gif> 0x10 ()
* script: <http://www.co2stats.com/propres.php?s=1138>
* img: <http://ycombinator.com/images/s.gif> 15x1 ()
* img: <http://ycombinator.com/images/hnsearch.png> x ()
* img: <http://ycombinator.com/images/s.gif> 25x1 ()
* img: <http://mixpanel.com/site_media/images/mixpanel_partner_logo_borderless.gif> x (Analytics by Mixpan.)
Imports: (2) * link <http://ycombinator.com/news.css> (stylesheet)
* link <http://ycombinator.com/favicon.ico> (shortcut icon)
Links: (141) * a: <http://ycombinator.com> ()
* a: <http://news.ycombinator.com/news> (Hacker News)
* a: <http://news.ycombinator.com/newest> (new)
* a: <http://news.ycombinator.com/newcomments> (comments)
* a: <http://news.ycombinator.com/leaders> (leaders)
* a: <http://news.ycombinator.com/jobs> (jobs)
* a: <http://news.ycombinator.com/submit> (submit)
* a: <http://news.ycombinator.com/x?fnid=JKhQjfU7gW> (login)
* a: <http://news.ycombinator.com/vote?for=1094578&dir=up&whence=%6e%65%77%73> ()
* a: <http://www.readwriteweb.com/archives/facebook_gets_faster_debuts_homegrown_php_compiler.php?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+readwriteweb+%28ReadWriteWeb%29&utm_content=Twitter> (Facebook speeds up PHP)
* a: <http://news.ycombinator.com/user?id=mcxx> (mcxx)
* a: <http://news.ycombinator.com/item?id=1094578> (9 comments)
* a: <http://news.ycombinator.com/vote?for=1094649&dir=up&whence=%6e%65%77%73> ()
* a: <http://groups.google.com/group/django-developers/msg/a65fbbc8effcd914> ("Tough. Django produces XHTML.")
* a: <http://news.ycombinator.com/user?id=andybak> (andybak)
* a: <http://news.ycombinator.com/item?id=1094649> (3 comments)
* a: <http://news.ycombinator.com/vote?for=1093927&dir=up&whence=%6e%65%77%73> ()
* a: <http://news.ycombinator.com/x?fnid=p2sdPLE7Ce> (More)
* a: <http://news.ycombinator.com/lists> (Lists)
* a: <http://news.ycombinator.com/rss> (RSS)
* a: <http://ycombinator.com/bookmarklet.html> (Bookmarklet)
* a: <http://ycombinator.com/newsguidelines.html> (Guidelines)
* a: <http://ycombinator.com/newsfaq.html> (FAQ)
* a: <http://ycombinator.com/newsnews.html> (News News)
* a: <http://news.ycombinator.com/item?id=363> (Feature Requests)
* a: <http://ycombinator.com> (Y Combinator)
* a: <http://ycombinator.com/w2010.html> (Apply)
* a: <http://ycombinator.com/lib.html> (Library)
* a: <http://www.webmynd.com/html/hackernews.html> ()
* a: <http://mixpanel.com/?from=yc> ()
五、數(shù)據(jù)修改
5.1、設(shè)置屬性值
1）存在問(wèn)題
在你解析一個(gè)Document之后可能想修改其中的某些屬性值，然后再保存到磁盤(pán)或都輸出到前臺(tái)頁(yè)面。
2）方法
可以使用屬性設(shè)置方法 Element.attr(String key, String value), 和 Elements.attr(String key, String value).
假如你需要修改一個(gè)元素的 class 屬性，可以使用 Element.addClass(String className) 和 Element.removeClass(String className) 方法。
Elements 提供了批量操作元素屬性和class的方法，比如：要為div中的每一個(gè)a元素都添加一個(gè) rel="nofollow" 可以使用如下方法：
doc.select("div.comments a").attr("rel", "nofollow");
3）說(shuō)明
與Element中的其它方法一樣，attr 方法也是返回當(dāng) Element (或在使用選擇器是返回 Elements 集合)。
這樣能夠很方便使用方法連用的書(shū)寫(xiě)方式。比如：
doc.select("div.masthead").attr("title", "jsoup").addClass("round-box");
5.2、設(shè)置一個(gè)元素的HTML內(nèi)容
1）存在問(wèn)題
你需要一個(gè)元素中的HTML的內(nèi)容
2）方法
可以使用Element中的HTML設(shè)置方法具體如下：
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內(nèi)容
div.append("<p>Last</p>");//在div之后添加html內(nèi)容 // 添完后的結(jié)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 ); // 添完后的結(jié)果: <li><a ><span>One</span></a></li>
3）說(shuō)明
Element.html(String html) 這個(gè)方法將先清除元素中的HTML內(nèi)容，然后用傳入的HTML代替。
Element.prepend(String first) 和 Element.append(String last) 方法用于在分別在元素內(nèi)部HTML的前面和后面添加HTML內(nèi)容
Element.wrap(String around) 對(duì)元素包裹一個(gè)外部HTML內(nèi)容。
