网站导航
> 文章列表 > Jsoup解析

Jsoup解析

网友: 文章列表 2024-03-21 19:04:57

Jsoup解析

5.Jsoup

我们抓取到页面之后，还需要对页面进行解析。可以使用字符串处理工具解析页面，也可以使用正则表达式，但是这些方法都会带来很大的开发成本，所以我们需要使用一款专门解析html页面的技术。

5.1.jsoup介绍

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。

jsoup的主要功能如下：
1.从一个URL，文件或字符串中解析HTML；
2.使用DOM或CSS选择器来查找、取出数据；
3.可操作HTML元素、属性、文本；

先加入Jsoup依赖：

<!--Jsoup-->
<dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.10.3</version>
</dependency>
<!--测试-->
<dependency><groupId>junit</groupId><artifactId>junit</artifactId><version>4.12</version>
</dependency>
<!--工具-->
<dependency><groupId>org.apache.commons</groupId><artifactId>commons-lang3</artifactId><version>3.7</version>
</dependency>
<dependency><groupId>commons-io</groupId><artifactId>commons-io</artifactId><version>2.6</version>
</dependency>

5.2.jsoup解析

5.2.1.解析url

Jsoup可以直接输入url，它会发起请求并获取数据，封装为Document对象

@Test
public void testJsoupUrl() throws Exception {//    解析url地址Document document = Jsoup.parse(new URL("http://www.itcast.cn/"), 1000);//获取title的内容Element title = document.getElementsByTag("title").first();System.out.println(title.text());
}

PS：虽然使用Jsoup可以替代HttpClient直接发起请求解析数据，但是往往不会这样用，因为实际的开发过程中，需要使用到多线程，连接池，代理等等方式，而jsoup对这些的支持并不是很好，所以我们一般把jsoup仅仅作为Html解析工具使用

5.2.2.解析字符串

先准备以下html文件

<html><head> <title>传智播客官网-一样的教育,不一样的品质</title> </head> <body><div class="city"><h3 id="city_bj">北京中心</h3><fb:img src="/2018czgw/images/slogan.jpg" class="slogan"/><div class="city_in"><div class="city_con" style="display: none;"><ul><li id="test" class="class_a class_b"><a href="http://www.itcast.cn" target="_blank"><span class="s_name">北京</span></a></li><li><a href="http://sh.itcast.cn" target="_blank"><span class="s_name">上海</span></a></li><li><a href="http://gz.itcast.cn" target="_blank"><span abc="123" class="s_name">广州</span></a></li><ul><li>天津</li></ul>					</ul></div></div></div></body>
</html>

Jsoup可以直接输入字符串，并封装为Document对象

@Test
public void testJsoupString() throws Exception {//读取文件获取String html = FileUtils.readFileToString(new File("D:\\\\jsoup.html"), "UTF-8");//    解析字符串Document document = Jsoup.parse(html);//获取title的内容Element title = document.getElementsByTag("title").first();System.out.println(title.text());}

5.2.3.解析文件

Jsoup可以直接解析文件，并封装为Document对象

@Test
public void testJsoupHtml() throws Exception {//    解析文件Document document = Jsoup.parse(new File("D:\\\\jsoup.html"),"UTF-8");//获取title的内容Element title = document.getElementsByTag("title").first();System.out.println(title.text());
}

解析整体代码

package jsoup;import org.apache.commons.io.FileUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.junit.Test;
import sun.net.www.protocol.file.FileURLConnection;import java.io.File;
import java.net.URL;public class JsoupFirstTest {@Testpublic void testUrl() throws Exception {///解析URL地址 第一个参数是访问URL 第二个参数是访问时候的超时时间Document parse = Jsoup.parse(new URL("http://www.itcast.cn"), 1000);// 使用标签选择器 获取title标签中的内容String title = parse.getElementsByTag("title").first().text();//打印System.out.println(title);}@Testpublic void testString() throws Exception{//使用工具类读取文件，获取字符串String content = FileUtils.readFileToString(new File("C:\\\\Users\\\\Administrator\\\\Desktop\\\\test.html"), "utf8");//解析字符串Document parse = Jsoup.parse(content);String title = parse.getElementsByTag("title").first().text();System.out.println(title);}@Testpublic void testFile() throws Exception{// 解析文件Document utf8 = Jsoup.parse(new File("C:\\\\Users\\\\Administrator\\\\Desktop\\\\test.html"), "utf8");String title = utf8.getElementsByTag("title").first().text();System.out.println(title);}
}

5.2.4.使用dom方式遍历文档

元素获取
1.根据id查询元素getElementById
2.根据标签获取元素getElementsByTag
3.根据class获取元素getElementsByClass
4.根据属性获取元素getElementsByAttribute

//1.    根据id查询元素getElementById
Element element = document.getElementById("city_bj");//2.   根据标签获取元素getElementsByTag
element = document.getElementsByTag("title").first();//3.   根据class获取元素getElementsByClass
element = document.getElementsByClass("s_name").last();//4.   根据属性获取元素getElementsByAttribute
element = document.getElementsByAttribute("abc").first();
element = document.getElementsByAttributeValue("class", "city_con").first();

 @Test ///使用DOM方式遍历文档public void testDOM() throws Exception{/// 解析文件获取Document对象Document document = Jsoup.parse(new File("C:\\\\Users\\\\Administrator\\\\Desktop\\\\test.html"), "utf8");/// 获取元素//1.根据id查询元素getElementByIdElement city_bj = document.getElementById("city_bj");// 打印元素的内容System.out.println("获取到元素内容是:"+city_bj.text()); //北京中心//2.根据标签获取元素getElementsByTagElement span = document.getElementsByTag("span").first();// 打印元素的内容System.out.println("获取到元素内容是:"+span.text()); //获取到元素内容是:北京//3.根据class获取元素getElementsByClassElement class_a_class_b = document.getElementsByClass("class_a class_b").first();System.out.println(class_a_class_b.text()); //北京Element class_a = document.getElementsByClass("class_a").first();System.out.println(class_a.text());//4.根据属性获取元素getElementsByAttributeElement abc = document.getElementsByAttribute("abc").first();System.out.println(abc.text()); //广州Element href = document.getElementsByAttributeValue("href", "http://sh.itcast.cn").first();System.out.println(href.text()); //上海}

元素中获取数据
1.从元素中获取id
2.从元素中获取className
3.从元素中获取属性的值attr
4.从元素中获取所有属性attributes
5.从元素中获取文本内容text

//获取元素
Element element = document.getElementById("test");//1.   从元素中获取id
String str = element.id();//2.   从元素中获取className
str = element.className();//3.   从元素中获取属性的值attr
str = element.attr("id");//4.   从元素中获取所有属性attributes
str = element.attributes().toString();//5.   从元素中获取文本内容text
str = element.text();

@Testpublic void testData() throws Exception{//解析文件 ，获取DocumentDocument document = Jsoup.parse(new File("C:\\\\Users\\\\Administrator\\\\Desktop\\\\test.html"), "utf8");//根据id获取元素Element test = document.getElementById("test");String str = "";//1.从元素中获取idstr = test.id();System.out.println(str); //test//2.从元素中获取classNamestr = test.className();System.out.println(str); //class_a class_bSet<String> strings = test.classNames();for(String s : strings){System.out.println(s); //class_a   class_b}//3.从元素中获取属性的值attrstr = test.attr("id");System.out.println(str); //teststr = test.attr("class");System.out.println(str); //class_a class_b//4.从元素中获取所有属性attributesAttributes attributes = test.attributes();System.out.println(attributes.toString()); // id="test" class="class_a class_b"//5.从元素中获取文本内容textstr = test.text();System.out.println(str); //北京}

5.2.5.使用选择器语法查找元素

jsoup elements对象支持类似于CSS (或jquery)的选择器语法，来实现非常强大和灵活的查找功能。这个select 方法在Document, Element,或Elements对象中都可以使用。且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。
Select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。

5.2.6.Selector选择器概述

tagname: 通过标签查找元素，比如：span
#id: 通过ID查找元素，比如：# city_bj
.class: 通过class名称查找元素，比如：.class_a
[attribute]: 利用属性查找元素，比如：[abc]
[attr=value]: 利用属性值来查找元素，比如：[class=s_name]

 @Testpublic void testSelector() throws Exception {// 解析html文件，获取Document对象Document document = Jsoup.parse(new File("C:\\\\Users\\\\Administrator\\\\Desktop\\\\test.html"), "utf8");//tagname: 通过标签查找元素，比如：spanElements span = document.select("span");//System.out.println(span.toString()); // id="test" class="class_"for (Element element : span) {System.out.println(element.text()); //北京 上海 广州}//#id: 通过ID查找元素，比如：# city_bjElement first = document.select("#city_bj").first();System.out.println(first.text());//北京中心//.class: 通过class名称查找元素，比如：.class_aElement first1 = document.select(".class_a").first();System.out.println(first1.text()); //北京//[attribute]: 利用属性查找元素，比如：[abc]Element first2 = document.select("[abc]").first();System.out.println(first2.text()); //广州//[attr=value]: 利用属性值来查找元素，比如：[class=s_name]Elements select = document.select("[class=s_name]");for (Element element : select) {System.out.println(element.text()); //北京 上海 广州}}

5.2.7.Selector选择器组合使用

el#id: 元素+ID，比如： h3#city_bj
el.class: 元素+class，比如： li.class_a
el[attr]: 元素+属性名，比如： span[abc]
任意组合: 比如：span[abc].s_name
ancestor child: 查找某个元素下子元素，比如：.city_con li 查找"city_con"下的所有li
parent > child: 查找某个父元素下的直接子元素，比如：
.city_con > ul > li 查找city_con第一级（直接子元素）的ul，再找所有ul下的第一级li
parent > *: 查找某个父元素下所有直接子元素

/el#id: 元素+ID，比如： h3#city_bj
String str = document.select("h3#city_bj").text();//el.class: 元素+class，比如： li.class_a
str = document.select("li.class_a").text();//el[attr]: 元素+属性名，比如： span[abc]
str = document.select("span[abc]").text();//任意组合，比如：span[abc].s_name
str = document.select("span[abc].s_name").text();//ancestor child: 查找某个元素下子元素，比如：.city_con li 查找"city_con"下的所有li
str = document.select(".city_con li").text();//parent > child: 查找某个父元素下的直接子元素，
//比如：.city_con > ul > li 查找city_con第一级（直接子元素）的ul，再找所有ul下的第一级li
str = document.select(".city_con > ul > li").text();//parent > * 查找某个父元素下所有直接子元素.city_con > *
str = document.select(".city_con > *").text();

 @Testpublic void testSelector2() throws Exception{// 解析html文件，获取Document对象Document document = Jsoup.parse(new File("C:\\\\Users\\\\Administrator\\\\Desktop\\\\test.html"), "utf8");//el#id: 元素+ID，比如： h3#city_bjElement first = document.select("h3#city_bj").first();System.out.println(first.text()); //北京中心//el.class: 元素+class，比如： li.class_aElement first1 = document.select("li.class_a").first();System.out.println(first1.text()); //北京//el[attr]: 元素+属性名，比如： span[abc]Element first2 = document.select("span[abc]").first();System.out.println(first2.text()); //广州//任意组合: 比如：span[abc].s_nameElement first3 = document.select("span[abc].s_name").first();System.out.println(first3.text()); //广州//ancestor child: 查找某个元素下子元素，比如：.city_con li 查找"city_con"下的所有liElements select = document.select(".city_con li");for (Element element : select) {System.out.println("遍历的结果:"+element.text()); //遍历的结果北京 遍历的结果上海 遍历的结果广州 遍历的结果天津}//parent > child: 查找某个父元素下的直接子元素，比如：//.city_con > ul > li 查找city_con第一级（直接子元素）的ul，再找所有ul下的第一级liElements select1 = document.select(".city_con > ul > li");for (Element element : select1) {System.out.println(element.text());//北京 上海 广州}//parent > *: 查找某个父元素下所有直接子元素Elements select2 = document.select(".city_con > *");for (Element element1 : select2) {System.out.println("aaaaa"+element1.text());//北京 上海 广州 天津}}
网络标签：

相关问题