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:
- 从一个URL,文件或字符串中解析HTML;
- 使用DOM或CSS选择器来查找、取出数据;
- 可操作HTML元素、属性、文本;
环境准备
引入maven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>
准备文件dom.html,用于测试内容如下:
<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创建文档
从url创建文档
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,如下:
public static void urlDomTests() 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());
}
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
从字符串、文件创建文档
Jsoup可以直接输入字符串,并封装为Document对象,如下:
public static void fileStrTest() throws Exception {
String html = FileUtils.readFileToString(new File("D:\\works\\ruoyi\\myspider\\src\\main\\java\\test\\dom.html"), "UTF-8");
// 解析字符串
Document document = Jsoup.parse(html);
//jsoUP 可以直接从 url 文件、输入流等内容中直接获取到 document对象
document = Jsoup.parse(new File("D:\\works\\ruoyi\\myspider\\src\\main\\java\\test\\dom.html"), "UTF-8");
//获取title的内容
Element title = document.getElementsByTag("title").first();
System.out.println(title.text());
}
解析文档
元素获取
- 根据id查询元素getElementById
- 根据标签获取元素getElementsByTag
- 根据class获取元素getElementsByClass
- 根据属性获取元素getElementsByAttribute
元素中获取数据
- 从元素中获取id
- 从元素中获取className
- 从元素中获取属性的值attr
- 从元素中获取所有属性attributes
- 从元素中获取文本内容text
使用选择器语法查找元素
选择器
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]
选择器组合
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
测试代码
public static void documentOper() throws Exception {
//jsoUP 可以直接从 url 文件、输入流等内容中直接获取到 document对象
Document document = Jsoup.parse(new File("D:\\works\\ruoyi\\myspider\\src\\main\\java\\test\\dom.html"), "UTF-8");
//根据id 获取元素
Element ele1 = document.getElementById("test");
System.out.println( "==============:"+ele1.toString());
//可以获取元素的id 、class 、属性、内容文本等
System.out.println( "==============:"+ele1.id());
System.out.println( "==============:"+ele1.className());
System.out.println( "==============:"+ele1.attr("id"));
System.out.println( "==============:"+ele1.text());
//根据元素名获取元素
Element ele2 = document.getElementsByTag("title").first();
System.out.println("==============:"+ ele2.toString());
//根据属性名获取元素
Element ele3 = document.getElementsByAttribute("href").first();
System.out.println( "==============:"+ele3.toString());
//根据属性名和属性值获取元素
Element ele5 = document.getElementsByAttributeValue("abc","123").first();
System.out.println( "==============:"+ele5.toString());
//根据演示名获取元素
Element ele4 = document.getElementsByClass("city").first();
System.out.println( "==============:"+ele4.toString());
//selector 选择器查找元素
/*
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]
* */
Elements span = document.select("span");
for(Element ele:span){
System.out.println(ele.text());
}
System.out.println("============>#city_bj:"+document.select("#city_bj").text());
System.out.println("============>.class_a:"+document.select(".class_a").text());
System.out.println("============>[abc]:"+document.select("[abc]").text());
System.out.println("============>[class=s_name]:"+document.select("[class=s_name]").text());
/*
* 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
*/
System.out.println("============>h3#city_bj:"+document.select("h3#city_bj").text());
System.out.println("============>span[abc]:"+document.select("span[abc]").text());
System.out.println("============>span[abc].s_name:"+document.select("span[abc].s_name").text());
System.out.println("============>.city_con > ul > li:"+document.select(".city_con > ul > li").text());
System.out.println("============>.city_con li:"+document.select(".city_con > ul > li").text());
}