<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.11.3</version>
</dependency>
<!DOCTYPE html>
<html>
<head>
<title>Example Domain</title>
<meta charset="utf-8">
<meta http-equiv="Content-type" content="text/html; charset=UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1">
<style type="text/css">
body {
background-color: #f0f0f2;
margin: 0;
padding: 0;
font-family: -apple-system, system-ui, BlinkMacSystemFont, "Segoe UI", "Open Sans", "Helvetica Neue", Helvetica, Arial, sans-serif;
}
div {
width: 600px;
margin: 5em auto;
padding: 2em;
background-color: #fdfdff;
border-radius: 0.5em;
box-shadow: 2px 3px 7px 2px rgba(0, 0, 0, 0.02);
}
a:link, a:visited {
color: #38488f;
text-decoration: none;
}
@media (max-width: 700px) {
div {
margin: 0 auto;
width: auto;
}
}
</style>
</head>
<body>
<div>
<h1 id="h1">Example Domain</h1>
<p>This domain is for use in illustrative examples in documents. You may use this
domain in literature without prior coordination or asking for permission.</p>
<p><a href="https://www.iana.org/domains/example">More information...1</a></p>
<p><a href="https://www.iana.org/domains/example">More information...2</a></p>
<p><a href="https://www.iana.org/domains/example">More information...3</a></p>
<p><img src="https://himg.bdimg.com/sys/portraitn/item/e4555261795fced2b0aec4e31a36"></p>
<p><img src="https://himg.bdimg.com/sys/portraitn/item/e4555261795fced2b0aec4e31a36.png"></p>
<div class="masthead">This domain is for use in illustrative examples in documents.</div>
<div class="masthead">You may use this domain in literature without prior coordination or asking for permission.
</div>
<h3 class="r">
<a href="https://www.iana.org/domains/example">More information...4</a>
<a href="https://www.iana.org/domains/example">More information...5</a>
</h3>
</div>
</body>
</html>
位置:doc\Example Domain.html
// HTML文档
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);
其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果,无论HTML的格式是否完整。比如它可以处理:
<p>Lorem
<p>Ipsum parses to
)<td>Table data</td>
包装成<table><tr><td>?
)Document
继承Element
继承Node
。 TextNode
继承 Node
。一个文件或一个网站的HTML字符串,你可能需要对它进行解析并取其内容,或校验其格式是否完整,或想修改它。怎么办?jsonu能够帮你轻松解决这些问题。
使用静态Jsoup.parse(String html)
方法或 Jsoup.parse(String html, String baseUri)
示例代码:
// HTML文档
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);
System.out.println(doc.text());
// Parsed HTML into a doc.
parse(String html, String baseUri)
这方法能够将输入的HTML解析为一个新的文档 (Document),参数 baseUri 是用来将相对 URL 转成绝对URL,并指定从哪个网站获取文档。如这个方法不适用,你可以使用 parse(String html)
方法来解析成HTML字符串如上面的示例。.
只要解析的不是空字符串,就能返回一个结构合理的文档,其中包含(至少) 一个head和一个body元素。
一旦拥有了一个Document,你就可以使用Document中适当的方法或它父类 Element
和Node
中的方法来取得相关数据。
假如你有一个HTML片断 (比如. 一个 div
包含一对 p
标签; 一个不完整的HTML文档) 想对它进行解析。这个HTML片断可以是用户提交的一条评论或在一个CMS页面中编辑body部分。
使用Jsoup.parseBodyFragment(String html)
方法.
String html = "<div><p>Lorem ipsum.</p>";
Document doc = Jsoup.parseBodyFragment(html);
Element body = doc.body();
System.out.println(body.text());
// Lorem ipsum.
parseBodyFragment
方法创建一个空壳的文档,并插入解析过的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结果,但是明确将用户输入作为 body片段处理,以确保用户所提供的任何糟糕的HTML都将被解析成body元素。
Document.body()
方法能够取得文档body元素的所有子元素,与 doc.getElementsByTag("body")
相同。
你需要从一个网站获取和解析一个HTML文档,并查找其中的相关数据。你可以使用下面解决方法:
使用 Jsoup.connect(String url)
方法:
Document doc = Jsoup.connect("http://example.com/").get();
String title = doc.title();
System.out.println(title);
// Example Domain
connect(String url)
方法创建一个新的 Connection
, 和 get()
取得和解析一个HTML文件。如果从该URL获取HTML时发生错误,便会抛出 IOException,应适当处理。
Connection
接口还提供一个方法链来解决特殊请求,具体如下:
Document doc = Jsoup.connect("http://example.com/")
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(3000)
.post();
这个方法只支持Web URLs (http
和https
协议); 假如你需要从一个文件加载,可以使用 parse(File in, String charsetName)
代替。
在本机硬盘上有一个HTML文件,需要对它进行解析从中抽取数据或进行修改。
可以使用静态 Jsoup.parse(File in, String charsetName, String baseUri)
方法:
File input = new File("doc\\Example Domain.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
System.out.println(doc.title());
// Example Domain
parse(File in, String charsetName, String baseUri)
这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误,将抛出IOException,应作适当处理。
baseUri
参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。
另外还有一个方法parse(File in, String charsetName)
,它使用文件的路径做为 baseUri
。 这个方法适用于如果被解析文件位于网站的本地文件系统,且相关链接也指向该文件系统。
你有一个HTML文档要从中提取数据,并了解这个HTML文档的结构。
将HTML解析成一个Document
之后,就可以使用类似于DOM的方法进行操作。示例代码:
File input = new File("doc\\Example Domain.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Element h1Text = doc.getElementById("h1");
System.out.println(h1Text.text());
System.out.println("------------------");
Elements links = doc.getElementsByTag("a");
for (Element link : links) {
System.out.println(link.attr("href"));
System.out.println(link.text());
System.out.println("------------------");
}
//Example Domain
//------------------
//https://www.iana.org/domains/example
//More information...1
//------------------
//https://www.iana.org/domains/example
//More information...2
//------------------
//https://www.iana.org/domains/example
//More information...3
//------------------
Elements这个对象提供了一系列类似于DOM的方法来查找元素,抽取并处理其中的数据。具体如下:
getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key)
(and related methods)siblingElements()
, firstElementSibling()
, lastElementSibling()
; nextElementSibling()
, previousElementSibling()
parent()
, children()
, child(int index)
attr(String key)
获取属性attr(String key, String value)
设置属性attributes()
获取所有属性id()
, className()
and classNames()
text()
获取文本内容text(String value)
设置文本内容html()
获取元素内HTMLhtml(String value)
设置元素内的HTML内容outerHtml()
获取元素外HTML内容data()
获取数据内容(例如:script和style标签)tag()
and tagName()
append(String html)
, prepend(String html)
appendText(String text)
, prependText(String text)
appendElement(String tagName)
, prependElement(String tagName)
html(String value)
你想使用类似于CSS或jQuery的语法来查找和操作元素。
可以使用Element.select(String selector)
和 Elements.select(String selector)
方法实现:
File input = new File("doc\\Example Domain.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Elements links = doc.select("a[href]"); // 带有href属性的a元素
Elements pngs = doc.select("img[src$=.png]"); // 扩展名为.png的图片
Element masthead = doc.select("div.masthead").first(); // class等于masthead的第一个div标签
Elements resultLinks = doc.select("h3.r > a"); // 在h3元素并且class为r之后的a元素
System.out.println("links.size() = " + links.size());
System.out.println("pngs.size() = " + pngs.size());
System.out.println("masthead.text() = " + masthead.text());
System.out.println("resultLinks.size() = " + resultLinks.size());
//links.size() = 5
//pngs.size() = 1
//masthead.text() = This domain is for use in illustrative examples in documents.
//resultLinks.size() = 2
jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.
这个select
方法在Document
, Element
,或Elements
对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。
Select方法将返回一个Elements
集合,并提供一组方法来抽取和处理结果。
tagname
: 通过标签查找元素,比如:a
ns|tag
: 通过标签在命名空间查找元素,比如:可以用 fb|name
语法来查找 <fb:name>
元素#id
: 通过ID查找元素,比如:#logo
.class
: 通过class名称查找元素,比如:.masthead
[attribute]
: 利用属性查找元素,比如:[href]
[^attr]
: 利用属性名前缀来查找元素,比如:可以用[^data-]
来查找带有HTML5 Dataset属性的元素[attr=value]
: 利用属性值来查找元素,比如:[width=500]
[attr^=value]
, [attr$=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+attr,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 class=logo 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可以查看Selector
API参考来了解更详细的内容
在解析获得一个Document实例对象,并查找到一些元素之后,你希望取得在这些元素中的数据。
Node.attr(String key)
方法 Element.text()
方法Element.html()
, 或 Node.outerHtml()
方法示例:
String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";
//解析HTML字符串返回一个Document
Document doc = Jsoup.parse(html);
// 查找第一个a元素
Element link = doc.select("a").first();
System.out.println(link); // <a href="http://example.com/"><b>example</b></a>
//取得字符串中的文本
String text = doc.body().text();
System.out.println(text); // An example link.
//取得链接地址
String linkHref = link.attr("href");
System.out.println(linkHref); // http://example.com/
//取得链接地址中的文本
String linkText = link.text();
System.out.println(linkText); // example
String linkOuterH = link.outerHtml();
System.out.println(linkOuterH); // <a href="http://example.com/"><b>example</b></a>
//取得链接内的html内容
String linkInnerH = link.html();
System.out.println(linkInnerH); // <b>example</b>
上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用:
Element.id()
Element.tagName()
Element.className()
and Element.hasClass(String className)
这些访问器方法都有相应的setter方法来更改数据.
你有一个包含相对URLs路径的HTML文档,需要将这些相对路径转换成绝对路径的URLs。
base URI
,然后abs:
属性前缀来取得包含base URI
的绝对路径。代码如下: Document doc = Jsoup.connect("http://www.open-open.com").get();
Element link = doc.select("a").first();
System.out.println(link); // <a href="../" class="navbar-brand top-logo"><span></span></a>
String relHref = link.attr("href");
System.out.println(relHref); // ../
String absHref = link.attr("abs:href");
System.out.println(absHref); // https://www.open-open.com/../
在HTML元素中,URLs经常写成相对于文档位置的相对路径: <a href="/download">...</a>
. 当你使用 Node.attr(String key)
方法来取得a元素的href属性时,它将直接返回在HTML源码中指定定的值。
假如你需要取得一个绝对路径,需要在属性名前加 abs:
前缀。这样就可以返回包含根路径的URL地址attr("abs:href")
因此,在解析HTML文档时,定义base URI非常重要。
如果你不想使用abs:
前缀,还有一个方法能够实现同样的功能 Node.absUrl(String key)
。
在你解析一个Document之后可能想修改其中的某些属性值,然后再保存到磁盘或都输出到前台页面。
可以使用属性设置方法 Element.attr(String key, String value)
, 和 Elements.attr(String key, String value)
.
假如你需要修改一个元素的 class
属性,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属性和class的方法,比如:要为每一个a元素都添加一个 rel="nofollow"
,然后取第一个, 可以使用如下方法:
String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";
Document doc = Jsoup.parse(html);
Element element = doc.select("a").attr("rel", "nofollow").first();
System.out.println(element); // <a href="http://example.com/" rel="nofollow"><b>example</b></a>
与Element
中的其它方法一样,attr
方法也是返回当 Element
(或在使用选择器是返回 Elements
集合)。这样能够很方便使用方法连用的书写方式。比如:
Element element1 = doc.select("a").attr("title", "jsoup").addClass("round-box").first();
System.out.println(element1); // <a href="http://example.com/" title="jsoup" class="round-box"><b>example</b></a>
你需要一个元素中的HTML内容
可以使用Element
中的HTML设置方法具体如下:
String html = "<div></div>";
Document doc = Jsoup.parse(html);
Element div = doc.select("div").first();
System.out.println(div); // <div></div>
Element p1 = div.html("<p>lorem ipsum</p>");
System.out.println(p1); //<div><p>lorem ipsum</p></div>
Element p2 = div.prepend("<p>First</p>");
System.out.println(p2); //<div><p>First</p><p>lorem ipsum</p></div>
Element p3 = div.append("<p>Last</p>");
System.out.println(p3); //<div><p>First</p><p>lorem ipsum</p><p>Last</p></div>
Element.html(String html)
这个方法将先清除元素中的HTML内容,然后用传入的HTML代替。Element.prepend(String first)
和 Element.append(String last)
方法用于在分别在元素内部HTML的前面和后面添加HTML内容你需要修改一个HTML文档中的文本内容
可以使用Element
的设置方法:
String html = "<div></div>";
Document doc = Jsoup.parse(html);
Element div = doc.select("div").first();
System.out.println(div); // <div></div>
Element text = div.text("five > four");
System.out.println(text); // <div>five > four</div>
div.prepend("First ");
div.append(" Last");
System.out.println(div.text()); // First five > four Last
文本设置方法与 HTML setter 方法一样:
Element.text(String text)
将清除一个元素中的内部HTML内容,然后提供的文本进行代替Element.prepend(String first)
和 Element.append(String last)
将分别在元素的内部html前后添加文本节点。对于传入的文本如果含有像 <
, >
等这样的字符,将以文本处理,而非HTML。
/**
* @Description: 简单示例
* @Author Ray
* @Date 2020/8/4 0004 10:28
* @Version 1.0
*/
public class JsoupFirst {
public static void main(String[] args) throws Exception {
//testUrl();
//testString();
//testFile();
//testDOM();
//testData();
//testSelector();
testSelector2();
}
public static void testUrl() throws Exception {
// 解析 url 地址
String url = "http://www.itcast.cn";
// 第一个参数是访问的url,第二个参数是访问的超时时间(毫秒)
Document document = Jsoup.parse(new URL(url), 1000);
// 使用标签选择器,获取 title 标签中的内容
Element element = document.getElementsByTag("title").first();
// 传智播客官网-好口碑IT培训机构,一样的教育,不一样的品质
System.out.println(element.text());
}
public static void testString() throws Exception {
// 使用工具类读取文件,获取字符串
File file = new File("F:\\JetBrains\\study\\pachong-study\\pachong-demo1\\doc\\test.html");
String content = FileUtils.readFileToString(file, "utf8");
// 第一个参数是字符串,第二个参数是访问的超时时间(毫秒)
Document document = Jsoup.parse(content);
// 使用标签选择器,获取 title 标签中的内容
Element element = document.getElementsByTag("title").first();
// 传智播客官网-一样的教育,不一样的品质
System.out.println(element.text());
}
public static void testFile() throws Exception {
// 解析文件
File file = new File("F:\\JetBrains\\study\\pachong-study\\pachong-demo1\\doc\\test.html");
// 第一个参数是文件file,第二个参数是访问的超时时间(毫秒)
Document document = Jsoup.parse(file, "utf8");
// 使用标签选择器,获取 title 标签中的内容
Element element = document.getElementsByTag("title").first();
// 传智播客官网-一样的教育,不一样的品质
System.out.println(element.text());
}
public static void testDOM() throws Exception {
// 解析文件,获取 Document
File file = new File("F:\\JetBrains\\study\\pachong-study\\pachong-demo1\\doc\\test.html");
// 第一个参数是文件file,第二个参数是访问的超时时间(毫秒)
Document document = Jsoup.parse(file, "utf8");
//1.根据id查询元素getElementById - 获取一个
Element elementById = document.getElementById("city_bj");
System.out.println("elementById.text() = " + elementById.text());
//2.根据标签获取元素getElementsByTag
Element elementByTag = document.getElementsByTag("span").first();
System.out.println("elementByTag.text() = " + elementByTag.text());
//3.根据class获取元素getElementsByClass
Element elementByClass = document.getElementsByClass("class_a class_b").first();
//Element elementByClass = document.getElementsByClass("class_a").first();
//Element elementByClass = document.getElementsByClass("class_b").first();
System.out.println("elementByClass.text() = " + elementByClass.text());
//4.根据属性获取元素getElementsByAttribute 属性
Element elementByAttribute = document.getElementsByAttribute("abc").first();
System.out.println("elementByAttribute.text() = " + elementByAttribute.text());
//4.根据属性获取元素getElementsByAttributeValue 属性 + 属性的值
Element elementByAttributeValue = document.getElementsByAttributeValue("href", "http://sh.itcast.cn").first();
System.out.println("elementByAttributeValue.text() = " + elementByAttributeValue.text());
}
public static void testData() throws Exception {
// 解析文件,获取 Document
File file = new File("F:\\JetBrains\\study\\pachong-study\\pachong-demo1\\doc\\test.html");
// 第一个参数是文件file,第二个参数是访问的超时时间(毫秒)
Document document = Jsoup.parse(file, "utf8");
// 准备的元素
Element element = document.getElementById("test");
//1.从元素中获取id
String id = element.id();
System.out.println("id = " + id);
//2.从元素中获取className
String className = element.className();
System.out.println("className = " + className);
Set<String> classNames = element.classNames();
for (String str :
classNames) {
System.out.println("str = " + str);
}
//3.从元素中获取属性的值attr
//String attr = element.attr("id");
String attr = element.attr("class");
System.out.println("attr = " + attr);
//4.从元素中获取所有属性attributes
Attributes attributes = element.attributes();
System.out.println("attributes.toString() = " + attributes.toString());
//5.从元素中获取文本内容text
String text = element.text();
System.out.println("text = " + text);
}
public static void testSelector() throws Exception {
// 解析文件,获取 Document
File file = new File("F:\\JetBrains\\study\\pachong-study\\pachong-demo1\\doc\\test.html");
// 第一个参数是文件file,第二个参数是访问的超时时间(毫秒)
Document document = Jsoup.parse(file, "utf8");
//tagname: 通过标签查找元素,比如:span
Elements elements1 = document.select("span");
for (Element element : elements1) {
System.out.println("element.text() = " + element.text());
}
System.out.println("------------------------------------------");
//#id: 通过ID查找元素,比如:#city_bj
Elements elements2 = document.select("#city_bj");
for (Element element : elements2) {
System.out.println("element.text() = " + element.text());
}
Element element = document.select("#city_bj").first();
System.out.println("element.text() = " + element.text());
System.out.println("------------------------------------------");
//.class: 通过class名称查找元素,比如:.class_a
Elements elements3 = document.select(".class_a");
for (Element element1 : elements3) {
System.out.println("element1.text() = " + element1.text());
}
System.out.println("------------------------------------------");
//[attribute]: 利用属性查找元素,比如:[abc]
Elements elements4 = document.select("[abc]");
for (Element element1 : elements4) {
System.out.println("element1.text() = " + element1.text());
}
System.out.println("------------------------------------------");
//[attr=value]: 利用属性值来查找元素,比如:[class=s_name]
Elements elements5 = document.select("[class=s_name]");
for (Element element1 : elements5) {
System.out.println("element1.text() = " + element1.text());
}
}
public static void testSelector2() throws Exception {
// 解析文件,获取 Document
File file = new File("F:\\JetBrains\\study\\pachong-study\\pachong-demo1\\doc\\test.html");
// 第一个参数是文件file,第二个参数是访问的超时时间(毫秒)
Document document = Jsoup.parse(file, "utf8");
//el#id: 元素+ID,比如: h3#city_bj
Element element = document.select("h3#city_bj").first();
System.out.println("element.text() = " + element.text());
System.out.println("------------------------------------------");
//el.class: 元素+class,比如: li.class_a
Element element1 = document.select("li.class_a").first();
System.out.println("element1.text() = " + element1.text());
System.out.println("------------------------------------------");
//el[attr]: 元素+属性名,比如: span[abc]
Element element2 = document.select("span[abc]").first();
System.out.println("element2.text() = " + element2.text());
System.out.println("------------------------------------------");
//任意组合: 比如:span[abc].s_name
Element element3 = document.select("span[abc].s_name").first();
System.out.println("element3.text() = " + element3.text());
System.out.println("------------------------------------------");
//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
Elements elements = document.select(".city_con li");
for (Element element4 : elements) {
System.out.println("element4.text() = " + element4.text());
}
System.out.println("------------------------------------------");
//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
//Elements elements1 = document.select(".city_con > li"); // 错误,什么都么找到
Elements elements1 = document.select(".city_con > ul > li"); // 正确,不包含天津
//Elements elements1 = document.select(".city_con > ul > ul"); // 正确,只包含天津
for (Element element5 : elements1) {
System.out.println("element5.text() = " + element5.text());
}
System.out.println("------------------------------------------");
//parent > *: 查找某个父元素下所有直接子元素
Elements elements2 = document.select(".city_con > ul > *");
for (Element element6 : elements2) {
System.out.println("element6.text() = " + element6.text());
}
System.out.println("------------------------------------------");
}
}