jsoup学习笔记简明教程

Lorem ipsum.

描述

parseBodyFragment方法创建一个空的shell文档，并将已解析的HTML插入body元素中，如果使用常规Jsoup.parse(String html)方法，通常会得到相同的结果，但是将输入作为主体片段进行显示处理可确保将用户提供的所有HTML都解析为body元素

Documnet.boy()方法检索文档body元素的子元素，相当于doc.getElementsByTag("body");

五.从URL加载文档

获取并解析HTML文档，并在其中查找数据

解决方案

Jsoup.connect(String URL);

Document doc3 = Jsoup.connect(" String title = doc3.title(); Document doc4 = Jsoup.connect(" .data("query", "Java") .userAgent("Mozilla") .cookie("auth", "token") .timeout(3000) .post(); String tile=doc4.title();

描述

connect（String url） 方法创建一个new Connect,并get()获取解析一个HTML文件。如果提取网址时发生错误，就会报一个IOException，您将适当的处理它

Connect接口旨在用于方法链接以构建特定的请求

六.从文件加载文档

问题

从磁盘中读取html文件，您想要加载和解析该文件，然后可以操纵或提取其中的数据

解决方案

JSoup.parse(File in,String charsetName,String baseUri);

File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "in, String charsetName, String baseUri)​​​方法加载并解析HTML文件。如果在加载文件时发生错误，它将抛出一个​​IOException​​，您应该适当地处理它。

​​   baseUri​​​解析器使用该参数在​​​​找到元素之前解析文档中的相对URL 。如果您不担心此问题，可以改为传递一个空字符串。

有一种姐妹方法​​parse(File in, String charsetName)​​​，该方法使用文件的位置作为​​baseUri​​。如果您在本地文件系统站点上工作，并且指向该站点的相对链接也在文件系统上，则此功能很有用。

七.使用DOM方法浏览文档

问题

您有一个要从中提取数据的HTML文档。通常你知道HTML文档的结构

解决问题的思路

将HTML解析之后，使用DOM的方法Document

5.使用Dom 方法浏览文档 Document doc5 = Jsoup.connect(" Elements s_map =doc5.getElementsByTag("map"); s_map.forEach((value)->{ Elements hrefs=value.getElementsByTag("area"); hrefs.forEach((href)->{ try { String URL=href.getElementsByAttribute("href").get(0).attr("href"); System.out.println("URL = " + URL); } catch (Exception e) { e.printStackTrace(); } }); });

描述

元素提供了一系列类似于DOM的方法来查找元素，以及调取和处理数据。DOM获取器是上下文的；在父文档需要调用的时候，他在文档下找到匹配的元素

在子元素上调用后，他们在该子元素下找到了元素，这样，您就可以在所需的数据上进行筛选

寻找元素

​​getElementById(String id)​​​​getElementsByTag(String tag)​​​​getElementsByClass(String className)​​​​getElementsByAttribute(String key)​​ （和相关方法）元素的兄弟姐妹：​​siblingElements()​​​，​​firstElementSibling()​​​，​​lastElementSibling()​​​，​​nextElementSibling()​​​，​​previousElementSibling()​​图：​​parent()​​​，​​children()​​​，​​child(int index)​​

元素数据

​​attr(String key)​​​获取和​​attr(String key, String value)​​设置属性​​attributes()​​ 获取所有属性​​id()​​​，​​className()​​​和​​classNames()​​​​text()​​​获取并​​text(String value)​​设置文本内容​​html()​​​获取并​​html(String value)​​设置内部HTML内容​​outerHtml()​​ 获得外部HTML值​​data()​​​获取数据内容（例如​​script​​​和​​style​​标签）​​tag()​​​ 和​​tagName()​​

处理HTML和文本

​​append(String html)​​​，​​prepend(String html)​​​​appendText(String text)​​​，​​prependText(String text)​​​​appendElement(String tagName)​​​，​​prependElement(String tagName)​​​​html(String value)​​

八.使用选择器语法查找元素

问题

您想使用css或类似jquery的选择器语法查找或操作元素

解决方案

Element.select(String selector)和Elements.select(String selector)方法：

使用选择器语法查找元素CSS或类似jquery的选择器语法查找或操作元素。使用Element.select(String selector)和Elements.select(String selector)方法： tagname：按标签查找元素，例如 a ns|tag：通过名称空间中的标签fb|name查找元素，例如，查找元素 #id：按ID查找元素，例如 #logo .class：按类名称查找元素，例如 .masthead [attribute]：具有属性的元素，例如 [href] [^attr]：具有属性名称前缀的[^data-]元素，例如查找具有HTML5数据集属性的元素 [attr=value]：具有属性值的元素，例如[width=500]（也可以引用，如[data-name='launch sequence']） [attr^=value]，[attr$=value]，[attr*=value]：与属性的元素，与开始，结束与，或包含所述的值，例如[href*=/path/] [attr~=regex]：具有与正则表达式匹配的属性值的元素；例如img[src~=(?i)\.(png|jpe?g)] *：所有元素，例如 *选择器组合el#id：具有ID的元素，例如 div#logoel.class：具有类的元素，例如 div.mastheadel[attr]：具有属性的元素，例如 a[href]任何组合，例如 a[href].highlightancestor child：源自祖先的子元素，例如，在“ body”类的块下的任何位置.body p找到p元素parent > child：直接从父级派生的子元素，例如div.content > pfindp元素；并body > *找到身体标签的直接子代siblingA + siblingB：查找紧随同级A的同级B元素，例如 div.head + divsiblingA ~ siblingX：查找同级X元素后跟同级A，例如 h1 ~ pel, el, el：将多个选择器组合在一起，找到与任何选择器匹配的唯一元素；例如div.masthead, div.logo伪选择器 :lt(n)：查找其兄弟索引（即其在DOM树中相对于其父级的位置）小于的元素n；例如td:lt(3) :gt(n)：查找兄弟索引大于的元素n; 例如div p:gt(2) :eq(n)：查找兄弟索引等于的元素n; 例如form input:eq(1) :has(selector)：查找包含与选择器匹配的元素的元素；例如div:has(p) :not(selector)：查找与选择器不匹配的元素；例如div:not(.logo) :contains(text)：查找包含给定文本的元素。搜索不区分大小写；例如p:contains(jsoup) :containsOwn(text)：查找直接包含给定文本的元素 :matches(regex)：查找文本与指定正则表达式匹配的元素；例如div:matches((?i)login) :matchesOwn(regex)：查找其自身文本与指定的正则表达式匹配的元素 请注意，上面索引的伪选择器基于0，即第一个元素位于索引0，第二个元素位于1，依此类推。

九.从元素中提取属性，文本和HTML

问题

解析文档并找到一些元素以后你需要获取这些元素里的数据

解决方案

Node.attr(String key)方法

对于元素（及其组合的子元素）上的文本，请使用Element.text();

对于使用​​Element.html()​​​，或​​Node.outerHtml()​​酌情使用

例子:

// 要获取属性的值，请使用Node.attr(String key)方法// 对于元素（及其组合的子元素）上的文本，请使用 Element.text()// 对于HTML，请使用Element.html()，或Node.outerHtml()酌情使用//// 例子： String html = "

An