Java上的jQuery?解析HTML利器—Jsoup

  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。

 

1.下载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)

 2.jsoup初体验

  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。

  

1  //文档对象,用来接收html页面
2  Document document = null;
3  try {
4      //获取指定网址的页面内容
5      document = Jsoup.connect("http://www.baidu.com/").timeout(50000).get();
6  } catch (IOException e) {
7      e.printStackTrace();
8  }

 

  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:

  

1 //通过Document的select方法获取class为abc的Elements结点集合
2 Elements elements = document.select(".abc");
3 //得到结点的第一个对象
4 Element element = elements.get(0);
5 //获取想要的属性值
6 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。

Selector选择器

  • 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

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.masthead
  • el[attr]: 元素+class,比如: a[href]
  • 任意组合,比如: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

伪选择器selectors

  • :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
  • 注意:上述伪选择器索引是从0开始的,也就是说第一个元素索引值为0,第二个元素index为1等

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:

1 //通过ID获得结点,返回值为Element而不是Elements
2 getElementById(String id)
3 //通过结点名返回节点集
4 getElementsByTag(String tag)
5 //通过类返回结点集
6 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

 

^_^

 

 

 

 

 

 

posted @ 2014-02-20 23:16  吴纹羽  阅读(11347)  评论(5编辑  收藏  举报