标签文本解析：Jsoup解析

Jsoup解析XML文本

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。本文主要介绍如何使用 jsoup 来进行常用的 HTML 解析.

Jsoup的基本操作：

  try {
            String url = "C:\\Users\\admin\\Desktop\\Files\\input.txt";
            File file = new File(url);
            //根据指定的字符集获取Document 对象
            Document document = Jsoup.parse(file, "UTF-8");
            //获取文本的title标签值
            String title = document.title();
            System.out.println("title:" + title);
            //获取数据源的路径
            String s = document.baseUri();
            System.out.println("baseUri:" + s);
            //获取属性为src的标签元素
            Elements elementsBySrc = document.getElementsByAttributeStarting("src");
            ListIterator<Element> elementListIterator = elementsBySrc.listIterator();
            while (elementListIterator.hasNext()) {
                Element element = elementListIterator.next();
                //提取src属性的值
                String src = element.attr("src");
                System.out.println("src:" + src);
            }
            //获取有href属性的标签元素
            Elements elementsByHref = document.getElementsByAttribute("href");
            ListIterator<Element> listIteratorHref = elementsByHref.listIterator();
            while (listIteratorHref.hasNext()) {
                Element element = listIteratorHref.next();
                //提取href属性的值
                String href = element.attr("href");
                System.out.println("href:" + href);
                //获取自身的文本
                String ownText = element.ownText();
                System.out.println("ownText:" + ownText);
                //获取自身文本与子孙结合的文本
                String text = element.text();
                System.out.println("text:" + text);
                //获取节点的所有属性
                Attributes attributes = element.attributes();
                //转换成队列
                List<Attribute> attributes1 = attributes.asList();
                for (Attribute attribute : attributes1) {
                    //提取属性名
                    String key = attribute.getKey();
                    //提取属性值
                    String value = attribute.getValue();
                    System.out.println("gaosi:::" + key + ":" + value);
                }
            }
        } catch (IOException e) {
            e.printStackTrace();
        }

 Jsoup的强大在于它对文档元素的检索，Select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果，即Jsoup的选择器语法。

1、Selector选择器基本语法

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

2、Selector选择器组合使用语法

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

3、Selector伪选择器语法

: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

 

 

 示例代码：

 try {
            String url = "C:\\Users\\admin\\Desktop\\Files\\input.txt";
            File file = new File(url);
            //根据指定的字符集获取Document 对象
            Document document = Jsoup.parse(file, "UTF-8");
            //查询a标签集合
//            Elements elements = document.select("a");
            //查询id为gaosi的集合
//            Elements elements = document.select("#gaosi");
            //通过class属性值查找
//            Elements elements = document.select(".mainbody");
            //通过属性查找
//            Elements elements = document.select("[href]");
            //利用属性值查条件找
            Elements elements = document.select("[leftmargin=0]");
            Iterator<Element> iterator = elements.iterator();
            while (iterator.hasNext()) {
                Element element = iterator.next();
                String html = element.html();
                System.out.println("html:" + html);
            }

        } catch (Exception e) {
            e.printStackTrace();
        }