jsoup 是一款 Java 的HTML 解析器

  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。请参考： http://jsoup.org/

 

 

     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；

      jsoup是基于MIT协议发布的，可放心使用于商业项目。

     下载和安装：

      maven安装方法：

       把下面放入pom.xml下

        <dependency>

          <!-- jsoup HTML parser library @ http://jsoup.org/ -->

         <groupId>org.jsoup</groupId>

         <artifactId>jsoup</artifactId>

         <version>1.5.2</version>

        </dependency>

      用jsoup解析html的方法如下：

        解析url html方法

 

Document
 doc 
=
 
Jsoup
.
connect
(
"http://example.com"
)
  
.
data
(
"query"
,
 
"Java"
)

  
.
userAgent
(
"Mozilla"
) 

  
.
cookie
(
"auth"
,
 
"token"
)

  
.
timeout
(
3000
)

  
.
post
();

 

      从文件中解析的方法：

 

 

File
 input 
=
 
new
 
File
(
"/tmp/input.html"
);


Document
 doc 
=
 
Jsoup
.
parse
(
input
,
 
"UTF-8"
,
 
"http://example.com/"
);

 

 

  类试js  jsoup提供下面方法：

 

• getElementById(String id)  用id获得元素
• getElementsByTag(String tag)  用标签获得元素
• getElementsByClass(String className)  用class获得元素
• getElementsByAttribute(String key)   用属性获得元素

 

 同时还提供下面的方法提供获取兄弟节点：

 siblingElements() , firstElementSibling() , lastElementSibling() ;nextElementSibling() , previousElementSibling()

用下面方法获得元素的数据：

 

• attr(String key)   获得元素的数据
• attr(String key, String value)  t设置元素数据
• attributes()  获得所以属性
• id() , className()    classNames()  获得id class得值
• text() 获得文本值
•  text(String value)  设置文本值
• html()  获取html 
•  html(String value) 设置html
• outerHtml()  获得内部html
• data() 获得数据内容
• tag()   获得tag 和 tagName()  获得tagname

 

操作html提供了下面方法：

 

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

通过类似jquery的方法操作html

File
 input 
=
 
new
 
File
(
"/tmp/input.html"
);


Document
 doc 
=
 
Jsoup
.
parse
(
input
,
 
"UTF-8"
,
 
"http://example.com/"
);



Elements
 links 
=
 doc
.
select
(
"a[href]"
);
 
// a with href


Elements
 pngs 
=
 doc
.
select
(
"img[src$=.png]"
);

  
// img with src ending .png



Element
 masthead 
=
 doc
.
select
(
"div.masthead"
).
first
();

  
// div with class=masthead



Elements
 resultLinks 
=
 doc
.
select
(
"h3.r > a"
);
 
// direct a after h3

 

支持的操作有下面这些：

 

• tagname 操作tag
• ns|tag ns或tag
• #id  用id获得元素 
• .class 用class获得元素
• [attribute] 属性获得元素
• [^attr] : 以attr开头的属性
• [attr=value] 属性值为 value
• [attr^=value] , [attr$=value] , [attr*=value] 
• [attr~=regex]正则
• * :所以的标签

选择组合

• el#id el和id定位
• el.class e1和class定位
• el[attr]  e1和属性定位
• ancestor child  ancestor下面的 child

等等

抓取网站标题和内容及里面图片的事例：

 

 

public
  
void
 parse(String urlStr) {
    // 返回结果初始化。

    Document doc = null
;
    try
 {
        doc = Jsoup
                .connect(urlStr)
                .userAgent(
                        "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.2.15)"
) 
// 设置User-Agent
                .timeout(5000
) 
// 设置连接超时时间
                .get();
    } catch
 (MalformedURLException e) {
        log.error( e);
        return
 ;
    } catch
 (IOException e) {
        if
 (e 
instanceof
 SocketTimeoutException) {
            log.error( e);
                               return
 ;
        }
        if
(e 
instanceof
 UnknownHostException){
            log.error(e);
            return
 ;
        }
        log.error( e);
        return
 ;
    }
    system.out.println(doc.title());
    Element head = doc.head();
    Elements metas = head.select("meta"
);
    for
 (Element meta : metas) {
        String content = meta.attr("content"
);
        if
 (
"content-type"
.equalsIgnoreCase(meta.attr(
"http-equiv"
))
                && !StringUtils.startsWith(content, "text/html"
)) {
            log.debug( urlStr);
            return
 ;
        }
        if
 (
"description"
.equalsIgnoreCase(meta.attr(
"name"
))) {
            system.out.println(meta.attr("content"
));
        }
    }
    Element body = doc.body();
    for
 (Element img : body.getElementsByTag(
"img"
)) {
        String imageUrl = img.attr("abs:src"
);
//获得绝对路径
        for
 (String suffix : IMAGE_TYPE_ARRAY) {
            if
(imageUrl.indexOf(
"?"
)>
0
){
                imageUrl=imageUrl.substring(0
,imageUrl.indexOf(
"?"
));
            }
            if
 (StringUtils.endsWithIgnoreCase(imageUrl, suffix)) {
                imgSrcs.add(imageUrl);
                break
;
            }
        }
    }
}

 

这里重点要提的是怎么获得图片或链接的决定地址：

  如上获得绝对地址的方法String imageUrl = img.attr("abs:src");//获得绝对路径 ，前面添加abs：jsoup就会获得决定地址；

想知道原因，咱们查看下源码，如下：

//该方面是先从map中找看是否有该属性key，如果有直接返回，如果没有检查是否
//以abs：开头
  public
 String attr(String attributeKey) {
        Validate.notNull(attributeKey);

        if
 (hasAttr(attributeKey))
            return
 attributes.get(attributeKey);
        else
 
if
 (attributeKey.toLowerCase().startsWith(
"abs:"
))
            return
 absUrl(attributeKey.substring(
"abs:"
.length()));
        else
 
return
 
""
;
    }

 

 接着查看absUrl方法：

 

  /**
     * Get an absolute URL from a URL attribute that may be relative (i.e. an <code>&lt;a href></code> or
     * <code>&lt;img src></code>).
     * <p/>
     * E.g.: <code>String absUrl = linkEl.absUrl("href");</code>
     * <p/>
     * If the attribute value is already absolute (i.e. it starts with a protocol, like
     * <code>http://</code> or <code>https://</code> etc), and it successfully parses as a URL, the attribute is
     * returned directly. Otherwise, it is treated as a URL relative to the element's {@link #baseUri}, and made
     * absolute using that.
     * <p/>
     * As an alternate, you can use the {@link #attr} method with the <code>abs:</code> prefix, e.g.:
     * <code>String absUrl = linkEl.attr("abs:href");</code>
     *
     * @param attributeKey The attribute key
     * @return An absolute URL if one could be made, or an empty string (not null) if the attribute was missing or
     * could not be made successfully into a URL.
     * @see #attr
     * @see java.net.URL#URL(java.net.URL, String)
     */
//看到这里大家应该明白绝对地址是怎么取的了
public
 String absUrl(String attributeKey) {
        Validate.notEmpty(attributeKey);

        String relUrl = attr(attributeKey);
        if
 (!hasAttr(attributeKey)) {
            return
 
""
; 
// nothing to make absolute with
        } else
 {
            URL base;
            try
 {
                try
 {
                    base = new
 URL(baseUri);
                } catch
 (MalformedURLException e) {
                    // the base is unsuitable, but the attribute may be abs on its own, so try that
                    URL abs = new
 URL(relUrl);
                    return
 abs.toExternalForm();
                }
                // workaround: java resolves '//path/file + ?foo' to '//path/?foo', not '//path/file?foo' as desired
                if
 (relUrl.startsWith(
"?"
))
                    relUrl = base.getPath() + relUrl;
                URL abs = new
 URL(base, relUrl);
                return
 abs.toExternalForm();
            } catch
 (MalformedURLException e) {
                return
 
""
;
            }
        }
    }