jsoup 使用教程

jsoup是一款Java的html解析工具，主要是对html和xml文件进行解析
在写爬虫的时候，当我们用HttpClient之类的框架，得到目标网页的源码后，需要从网页源码中取得我们想要的内容。就可以使用jsoup轻松获取想要的内容。

jsoup的中文开发文档

获取jsoup的maven方式

<dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.11.3</version> </dependency>

从URL获取HTML来解析

// 方式一 Document document = Jsoup.connect("http://www.baidu.com/").get(); // 方式二 Document parse = Jsoup.parse(new URL("http://www.baidu.com/"), 1000 * 10);

其中Jsoup.connect(“xxx”)方法返回一个org.jsoup.Connection对象。
在Connection对象中，我们可以执行get和post来执行请求。但在执行请求之前，我们可以使用Connection对象来设置一些请求信息。比如：头信息，cookie，请求等待时间，代理等等模拟浏览器行为。

Document document = Jsoup.connect("http://www.baidu.com/").data("wd","我").userAgent("Mozilla").cookie("auth","token").timeout(3000).post();

从文件中获取html来解析

Document path = Jsoup.parse(new File("path"), "utf-8");

直接从字符串中获得html来解析

Document text = Jsoup.parse("");

通过Document获取指定节点Element对象
通过方法来查找指定的节点Element

// 通过元素id值来获取对应的节点 Element element = document.getElementById(String  id);// 通过标签名来获取 Elements elements = document.getElementsByTag(String tagName);// 通过类名来获取 Elements elements = document.getElementsByClass(String className);// 通过属性名来获取 Elements elements = document.getElementsByAttribute(String key);// 通过指定属性名称和属性值来获取节点对象 Elements elements = document.getElementsByAttributeValue(String key, String value);// 获取所有节点元素 Elements elements = document.getAllElements();

通过类似于css或者jQuery的选择器来查找元素

public Elements select(String cssQuery) {return Selector.select(cssQuery, this);}File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");//带有href属性的a元素Elements links = doc.select("a[href]");//扩展名为.png的图片Elements pngs = doc.select("img[src$=.png]");//class等于masthead的div标签Element masthead = doc.select("div.masthead").first();//在h3元素之后的a元素    Elements resultLinks = doc.select("h3.r > a"); 

通过传入一个类似于css或者jQuery的选择器字符串，来查找指定元素
选择器中更多语法可以在org.jsoup.select.Selector中查看到更多关于选择器的语法

Selector中的语法简介
tagName：通过标签名查找元素，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来查找元素，比如#logo
.class：通过class名称来查找元素 比如.master
[attribute]：利用属性名称来查找元素，如[href]
[^attribute]：利用属性前缀来查找元素，比如：可以用[^data-]来查找带有HTML中以data-开头的属性节点
[attr=value]：利用属性值来查找元素，比如：[width=500]
[attr~=regx]：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.master
el[attr]：元素+attr，比如：a[href]  任意组合，比如：a[href].heightlight
ancestor 空格 child：查找某个元素下的子元素，比如：可以用body p查找body下的所有p标签
parent > child：查找某个父元素下的直接元素，比如：可以用div.content > p查找class是content的div中所有的p标签
siblingA + siblingB：查找标签A下的第一个B标签，比如：div.head + div
siblingA ~ siblingB：查找siblingA同级第一个B标签，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.master,div.logo

Selector伪类选择器
tag:lt(n)：查找所有小于给定索引值的元素，从0开始计数，比如tr:lt(2)
tag:gt(n)：查找所有大于给定索引值的元素，从0开始计数，比如tr:gt(2)
tag:eq(n)：查找给定索引值的元素，比如tr:eq(2)
tag:has(seletor)：查找匹配选择器包含元素的元素，比如：div:has§表示哪些div包含p元素
tag:not(seletor)：查找于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
tag:contains(text)：查找包含给定文本元素，搜索不区分大小写，比如：p:contains(jsoup)
tag:containsOwn(text)：查找直接包含指定文本的元素
tag:matches(regex)：查找自身包含文本匹配指定的元素

通过上面的选择器，我们可以取得一个Elements对象中，它继承了ArrayList对象，里面放的全是Element对象。使用Element获得想要的内容

使用Element获得想要的内容

// 这个方法用来获取一个元素中的文本 element.text()// 这个方法用来获取一个元素中的html内容 element.html()或Node.outerHtml()// 这个方法来取得一个元素的一个属性值 Node.attr(String key)

public class JsoupMain {public static void main(String[] args) {try {Document document = Jsoup.connect("http://www.baidu.com/").data("wd","我").userAgent("Mozilla").cookie("auth","token").timeout(3000).post();Elements elements = document.select("a");elements.forEach(element -> {System.out.println(element.text());});} catch (IOException e) {e.printStackTrace();}} }

原文链接：https://blog.csdn.net/justLym/article/details/105715516

总结

以上是生活随笔为你收集整理的jsoup 使用教程的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。