JSOUP初探

zhangdaiscott

浏览: 449270 次
性别:
来自: 北京

最近访客更多访客>>

ZSPINGGG

ayouyouyuer

Z865785437029

smalldesk

博主相关

博客

微博

相册

留言

关于我

博客专栏

: Jeecg快速开发平台
浏览量：0

文章分类

社区版块

存档分类

JSOUP是偶然看到的一个处理HTML的JAVA 类库，其官方网址是：http://jsoup.org/

1、编写相关的试用程序（只需要在工程中引用jsoup-1.3.3.jar即可）：

[java] view plain copy print ?

importjava.io.File;
importjava.io.IOException;
importorg.jsoup.Jsoup;
importorg.jsoup.nodes.Document;
importorg.jsoup.select.Elements;
publicclassTest{
publicstaticvoidmain(String[]args){
Testt=newTest();
t.parseFile();
}
publicvoidparseString(){
Stringhtml="<html><head><title>blog</title></head><bodyonload='test()'>ParsedHTMLintoadoc.</body></html>";
Documentdoc=Jsoup.parse(html);
System.out.println(doc);
Elementses=doc.body().getAllElements();
System.out.println(es.attr("onload"));
System.out.println(es.select("p"));
}
publicvoidparseUrl(){
try{
Documentdoc=Jsoup.connect("http://www.baidu.com/").get();
Elementshrefs=doc.select("a[href]");
System.out.println(hrefs);
System.out.println("------------------");
System.out.println(hrefs.select("[href^=http]"));
}catch(IOExceptione){
e.printStackTrace();
}
}
publicvoidparseFile(){
try{
Fileinput=newFile("input.html");
Documentdoc=Jsoup.parse(input,"UTF-8");
//提取出所有的编号
Elementscodes=doc.body().select("td[title^=IA]>a[href^=javascript:view]");
System.out.println(codes);
System.out.println("------------------");
System.out.println(codes.html());
}catch(IOExceptione){
e.printStackTrace();
}
}
}

import java.io.File;
import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;

public class Test {
	public static void main(String[] args) {
		Test t = new Test();
		t.parseFile();
	}

	public void parseString() {
		String html = "<html><head><title>blog</title></head><body onload='test()'><p>Parsed HTML into a doc.</p></body></html>";
		Document doc = Jsoup.parse(html);
		System.out.println(doc);
		Elements es = doc.body().getAllElements();
		System.out.println(es.attr("onload"));
		System.out.println(es.select("p"));
	}

	public void parseUrl() {
		try {
			Document doc = Jsoup.connect("http://www.baidu.com/").get();
			Elements hrefs = doc.select("a[href]");
			System.out.println(hrefs);
			System.out.println("------------------");
			System.out.println(hrefs.select("[href^=http]"));
		} catch (IOException e) {
			e.printStackTrace();
		}
	}

	public void parseFile() {
		try {
			File input = new File("input.html");
			Document doc = Jsoup.parse(input, "UTF-8");
			// 提取出所有的编号
			Elements codes = doc.body().select("td[title^=IA] > a[href^=javascript:view]");
			System.out.println(codes);
			System.out.println("------------------");
			System.out.println(codes.html());
		} catch (IOException e) {
			e.printStackTrace();
		}
	}
}

2、parseString的输出：

[java] view plain copy print ?

<html>
<head>
<title>blog</title>
</head>
<bodyonload="test()">
ParsedHTMLintoadoc.
</body>
</html>
test()
ParsedHTMLintoadoc.

<html>
 <head>
  <title>blog</title>
 </head>
 <body onload="test()">
  <p>Parsed HTML into a doc.</p>
 </body>
</html>
test()

<p>Parsed HTML into a doc.</p>

3、parseUrl的输出：

[java] view plain copy print ?

<ahref="/gaoji/preferences.html">设置</a>
<ahref="http://passport.baidu.com/?login&tpl=mn">登录</a>
<ahref="http://news.baidu.com">新闻</a>
<ahref="http://tieba.baidu.com">贴吧</a>
<ahref="http://zhidao.baidu.com">知道</a>
<ahref="http://mp3.baidu.com">MP3</a>
<ahref="http://image.baidu.com">图片</a>
<ahref="http://video.baidu.com">视频</a>
<ahref="http://map.baidu.com">地图</a>
<ahref="#"name="ime_hw">手写</a>
<ahref="#"name="ime_py">拼音</a>
<ahref="#"name="ime_cl">关闭</a>
<ahref="http://hi.baidu.com">空间</a>
<ahref="http://baike.baidu.com">百科</a>
<ahref="http://www.hao123.com">hao123</a>
<ahref="/more/">更多>></a>
<aid="st"onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')"href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页</a>
<ahref="http://e.baidu.com/?refer=888">加入百度推广</a>
<ahref="http://top.baidu.com">搜索风云榜</a>
<ahref="http://home.baidu.com">关于百度</a>
<ahref="http://ir.baidu.com">AboutBaidu</a>
<ahref="/duty/">使用百度前必读</a>
<ahref="http://www.miibeian.gov.cn"target="_blank">京ICP证030173号</a>
------------------
<ahref="http://passport.baidu.com/?login&tpl=mn">登录</a>
<ahref="http://news.baidu.com">新闻</a>
<ahref="http://tieba.baidu.com">贴吧</a>
<ahref="http://zhidao.baidu.com">知道</a>
<ahref="http://mp3.baidu.com">MP3</a>
<ahref="http://image.baidu.com">图片</a>
<ahref="http://video.baidu.com">视频</a>
<ahref="http://map.baidu.com">地图</a>
<ahref="http://hi.baidu.com">空间</a>
<ahref="http://baike.baidu.com">百科</a>
<ahref="http://www.hao123.com">hao123</a>
<aid="st"onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')"href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页</a>
<ahref="http://e.baidu.com/?refer=888">加入百度推广</a>
<ahref="http://top.baidu.com">搜索风云榜</a>
<ahref="http://home.baidu.com">关于百度</a>
<ahref="http://ir.baidu.com">AboutBaidu</a>
<ahref="http://www.miibeian.gov.cn"target="_blank">京ICP证030173号</a>

<a href="/gaoji/preferences.html">设置</a>
<a href="http://passport.baidu.com/?login&tpl=mn">登录</a>
<a href="http://news.baidu.com">新闻</a>
<a href="http://tieba.baidu.com">贴吧</a>
<a href="http://zhidao.baidu.com">知道</a>
<a href="http://mp3.baidu.com">MP3</a>
<a href="http://image.baidu.com">图片</a>
<a href="http://video.baidu.com">视频</a>
<a href="http://map.baidu.com">地图</a>

<a href="#" name="ime_hw">手写</a>

<a href="#" name="ime_py">拼音</a>

<a href="#" name="ime_cl">关闭</a>
<a href="http://hi.baidu.com">空间</a>
<a href="http://baike.baidu.com">百科</a>
<a href="http://www.hao123.com">hao123</a>
<a href="/more/">更多>></a>
<a id="st" onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')" href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页</a>
<a href="http://e.baidu.com/?refer=888">加入百度推广</a>
<a href="http://top.baidu.com">搜索风云榜</a>
<a href="http://home.baidu.com">关于百度</a>
<a href="http://ir.baidu.com">About Baidu</a>
<a href="/duty/">使用百度前必读</a>
<a href="http://www.miibeian.gov.cn" target="_blank">京ICP证030173号</a>
------------------
<a href="http://passport.baidu.com/?login&tpl=mn">登录</a>
<a href="http://news.baidu.com">新闻</a>
<a href="http://tieba.baidu.com">贴吧</a>
<a href="http://zhidao.baidu.com">知道</a>
<a href="http://mp3.baidu.com">MP3</a>
<a href="http://image.baidu.com">图片</a>
<a href="http://video.baidu.com">视频</a>
<a href="http://map.baidu.com">地图</a>
<a href="http://hi.baidu.com">空间</a>
<a href="http://baike.baidu.com">百科</a>
<a href="http://www.hao123.com">hao123</a>
<a id="st" onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')" href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页</a>
<a href="http://e.baidu.com/?refer=888">加入百度推广</a>
<a href="http://top.baidu.com">搜索风云榜</a>
<a href="http://home.baidu.com">关于百度</a>
<a href="http://ir.baidu.com">About Baidu</a>
<a href="http://www.miibeian.gov.cn" target="_blank">京ICP证030173号</a>

3、parseFile的输出：

[java] view plain copy print ?

<ahref="javascript:view('67530','67530','0');">IA100908-002</a>
<ahref="javascript:view('67529','67529','0');">IA100908-001</a>
<ahref="javascript:view('67544','67544','0');">IA100908-016</a>
<ahref="javascript:view('67364','67364','0');">IA100903-008</a>
<ahref="javascript:view('67363','67363','0');">IA100903-007</a>
<ahref="javascript:view('66104','66104','0');">IA100710-013</a>
<ahref="javascript:view('57916','57916','0');">IA100515-013</a>
<ahref="javascript:view('56962','56962','0');">IA100430-022</a>
<ahref="javascript:view('66958','66958','0');">IA100830-001</a>
<ahref="javascript:view('66319','66319','0');">IA100713-003</a>
<ahref="javascript:view('66317','66317','0');">IA100713-001</a>
<ahref="javascript:view('66321','66321','0');">IA100713-005</a>
<ahref="javascript:view('66967','66967','0');">IA100830-010</a>
<ahref="javascript:view('66999','66999','0');">IA100831-001</a>
<ahref="javascript:view('67377','67377','0');">IA100904-004</a>
<ahref="javascript:view('67378','67378','0');">IA100904-005</a>
<ahref="javascript:view('3271','3271','0');">IA080115-031</a>
------------------
IA100908-002
IA100908-001
IA100908-016
IA100903-008
IA100903-007
IA100710-013
IA100515-013
IA100430-022
IA100830-001
IA100713-003
IA100713-001
IA100713-005
IA100830-010
IA100831-001
IA100904-004
IA100904-005
IA080115-031

<a href="javascript:view('67530','67530','0');">IA100908-002</a>

<a href="javascript:view('67529','67529','0');">IA100908-001</a>

<a href="javascript:view('67544','67544','0');">IA100908-016</a>

<a href="javascript:view('67364','67364','0');">IA100903-008</a>

<a href="javascript:view('67363','67363','0');">IA100903-007</a>

<a href="javascript:view('66104','66104','0');">IA100710-013</a>

<a href="javascript:view('57916','57916','0');">IA100515-013</a>

<a href="javascript:view('56962','56962','0');">IA100430-022</a>

<a href="javascript:view('66958','66958','0');">IA100830-001</a>

<a href="javascript:view('66319','66319','0');">IA100713-003</a>

<a href="javascript:view('66317','66317','0');">IA100713-001</a>

<a href="javascript:view('66321','66321','0');">IA100713-005</a>

<a href="javascript:view('66967','66967','0');">IA100830-010</a>

<a href="javascript:view('66999','66999','0');">IA100831-001</a>

<a href="javascript:view('67377','67377','0');">IA100904-004</a>

<a href="javascript:view('67378','67378','0');">IA100904-005</a>

<a href="javascript:view('3271','3271','0');">IA080115-031</a>
------------------
IA100908-002
IA100908-001
IA100908-016
IA100903-008
IA100903-007
IA100710-013
IA100515-013
IA100430-022
IA100830-001
IA100713-003
IA100713-001
IA100713-005
IA100830-010
IA100831-001
IA100904-004
IA100904-005
IA080115-031

补充下，input.html的基本结果如图：

JSOUP是偶然看到的一个处理HTML的JAVA 类库，其官方网址是：http://jsoup.org/

1、编写相关的试用程序（只需要在工程中引用jsoup-1.3.3.jar即可）：

[java] view plain copy print ?

importjava.io.File;
importjava.io.IOException;
importorg.jsoup.Jsoup;
importorg.jsoup.nodes.Document;
importorg.jsoup.select.Elements;
publicclassTest{
publicstaticvoidmain(String[]args){
Testt=newTest();
t.parseFile();
}
publicvoidparseString(){
Stringhtml="<html><head><title>blog</title></head><bodyonload='test()'>ParsedHTMLintoadoc.</body></html>";
Documentdoc=Jsoup.parse(html);
System.out.println(doc);
Elementses=doc.body().getAllElements();
System.out.println(es.attr("onload"));
System.out.println(es.select("p"));
}
publicvoidparseUrl(){
try{
Documentdoc=Jsoup.connect("http://www.baidu.com/").get();
Elementshrefs=doc.select("a[href]");
System.out.println(hrefs);
System.out.println("------------------");
System.out.println(hrefs.select("[href^=http]"));
}catch(IOExceptione){
e.printStackTrace();
}
}
publicvoidparseFile(){
try{
Fileinput=newFile("input.html");
Documentdoc=Jsoup.parse(input,"UTF-8");
//提取出所有的编号
Elementscodes=doc.body().select("td[title^=IA]>a[href^=javascript:view]");
System.out.println(codes);
System.out.println("------------------");
System.out.println(codes.html());
}catch(IOExceptione){
e.printStackTrace();
}
}
}

import java.io.File;
import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;

public class Test {
	public static void main(String[] args) {
		Test t = new Test();
		t.parseFile();
	}

	public void parseString() {
		String html = "<html><head><title>blog</title></head><body onload='test()'><p>Parsed HTML into a doc.</p></body></html>";
		Document doc = Jsoup.parse(html);
		System.out.println(doc);
		Elements es = doc.body().getAllElements();
		System.out.println(es.attr("onload"));
		System.out.println(es.select("p"));
	}

	public void parseUrl() {
		try {
			Document doc = Jsoup.connect("http://www.baidu.com/").get();
			Elements hrefs = doc.select("a[href]");
			System.out.println(hrefs);
			System.out.println("------------------");
			System.out.println(hrefs.select("[href^=http]"));
		} catch (IOException e) {
			e.printStackTrace();
		}
	}

	public void parseFile() {
		try {
			File input = new File("input.html");
			Document doc = Jsoup.parse(input, "UTF-8");
			// 提取出所有的编号
			Elements codes = doc.body().select("td[title^=IA] > a[href^=javascript:view]");
			System.out.println(codes);
			System.out.println("------------------");
			System.out.println(codes.html());
		} catch (IOException e) {
			e.printStackTrace();
		}
	}
}

2、parseString的输出：

[java] view plain copy print ?

<html>
<head>
<title>blog</title>
</head>
<bodyonload="test()">
ParsedHTMLintoadoc.
</body>
</html>
test()
ParsedHTMLintoadoc.

<html>
 <head>
  <title>blog</title>
 </head>
 <body onload="test()">
  <p>Parsed HTML into a doc.</p>
 </body>
</html>
test()

<p>Parsed HTML into a doc.</p>

3、parseUrl的输出：

[java] view plain copy print ?

<ahref="/gaoji/preferences.html">设置</a>
<ahref="http://passport.baidu.com/?login&tpl=mn">登录</a>
<ahref="http://news.baidu.com">新闻</a>
<ahref="http://tieba.baidu.com">贴吧</a>
<ahref="http://zhidao.baidu.com">知道</a>
<ahref="http://mp3.baidu.com">MP3</a>
<ahref="http://image.baidu.com">图片</a>
<ahref="http://video.baidu.com">视频</a>
<ahref="http://map.baidu.com">地图</a>
<ahref="#"name="ime_hw">手写</a>
<ahref="#"name="ime_py">拼音</a>
<ahref="#"name="ime_cl">关闭</a>
<ahref="http://hi.baidu.com">空间</a>
<ahref="http://baike.baidu.com">百科</a>
<ahref="http://www.hao123.com">hao123</a>
<ahref="/more/">更多>></a>
<aid="st"onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')"href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页</a>
<ahref="http://e.baidu.com/?refer=888">加入百度推广</a>
<ahref="http://top.baidu.com">搜索风云榜</a>
<ahref="http://home.baidu.com">关于百度</a>
<ahref="http://ir.baidu.com">AboutBaidu</a>
<ahref="/duty/">使用百度前必读</a>
<ahref="http://www.miibeian.gov.cn"target="_blank">京ICP证030173号</a>
------------------
<ahref="http://passport.baidu.com/?login&tpl=mn">登录</a>
<ahref="http://news.baidu.com">新闻</a>
<ahref="http://tieba.baidu.com">贴吧</a>
<ahref="http://zhidao.baidu.com">知道</a>
<ahref="http://mp3.baidu.com">MP3</a>
<ahref="http://image.baidu.com">图片</a>
<ahref="http://video.baidu.com">视频</a>
<ahref="http://map.baidu.com">地图</a>
<ahref="http://hi.baidu.com">空间</a>
<ahref="http://baike.baidu.com">百科</a>
<ahref="http://www.hao123.com">hao123</a>
<aid="st"onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')"href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页</a>
<ahref="http://e.baidu.com/?refer=888">加入百度推广</a>
<ahref="http://top.baidu.com">搜索风云榜</a>
<ahref="http://home.baidu.com">关于百度</a>
<ahref="http://ir.baidu.com">AboutBaidu</a>
<ahref="http://www.miibeian.gov.cn"target="_blank">京ICP证030173号</a>

<a href="/gaoji/preferences.html">设置</a>
<a href="http://passport.baidu.com/?login&tpl=mn">登录</a>
<a href="http://news.baidu.com">新闻</a>
<a href="http://tieba.baidu.com">贴吧</a>
<a href="http://zhidao.baidu.com">知道</a>
<a href="http://mp3.baidu.com">MP3</a>
<a href="http://image.baidu.com">图片</a>
<a href="http://video.baidu.com">视频</a>
<a href="http://map.baidu.com">地图</a>

<a href="#" name="ime_hw">手写</a>

<a href="#" name="ime_py">拼音</a>

<a href="#" name="ime_cl">关闭</a>
<a href="http://hi.baidu.com">空间</a>
<a href="http://baike.baidu.com">百科</a>
<a href="http://www.hao123.com">hao123</a>
<a href="/more/">更多>></a>
<a id="st" onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')" href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页</a>
<a href="http://e.baidu.com/?refer=888">加入百度推广</a>
<a href="http://top.baidu.com">搜索风云榜</a>
<a href="http://home.baidu.com">关于百度</a>
<a href="http://ir.baidu.com">About Baidu</a>
<a href="/duty/">使用百度前必读</a>
<a href="http://www.miibeian.gov.cn" target="_blank">京ICP证030173号</a>
------------------
<a href="http://passport.baidu.com/?login&tpl=mn">登录</a>
<a href="http://news.baidu.com">新闻</a>
<a href="http://tieba.baidu.com">贴吧</a>
<a href="http://zhidao.baidu.com">知道</a>
<a href="http://mp3.baidu.com">MP3</a>
<a href="http://image.baidu.com">图片</a>
<a href="http://video.baidu.com">视频</a>
<a href="http://map.baidu.com">地图</a>
<a href="http://hi.baidu.com">空间</a>
<a href="http://baike.baidu.com">百科</a>
<a href="http://www.hao123.com">hao123</a>
<a id="st" onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')" href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页</a>
<a href="http://e.baidu.com/?refer=888">加入百度推广</a>
<a href="http://top.baidu.com">搜索风云榜</a>
<a href="http://home.baidu.com">关于百度</a>
<a href="http://ir.baidu.com">About Baidu</a>
<a href="http://www.miibeian.gov.cn" target="_blank">京ICP证030173号</a>

3、parseFile的输出：

[java] view plain copy print ?

<ahref="javascript:view('67530','67530','0');">IA100908-002</a>
<ahref="javascript:view('67529','67529','0');">IA100908-001</a>
<ahref="javascript:view('67544','67544','0');">IA100908-016</a>
<ahref="javascript:view('67364','67364','0');">IA100903-008</a>
<ahref="javascript:view('67363','67363','0');">IA100903-007</a>
<ahref="javascript:view('66104','66104','0');">IA100710-013</a>
<ahref="javascript:view('57916','57916','0');">IA100515-013</a>
<ahref="javascript:view('56962','56962','0');">IA100430-022</a>
<ahref="javascript:view('66958','66958','0');">IA100830-001</a>
<ahref="javascript:view('66319','66319','0');">IA100713-003</a>
<ahref="javascript:view('66317','66317','0');">IA100713-001</a>
<ahref="javascript:view('66321','66321','0');">IA100713-005</a>
<ahref="javascript:view('66967','66967','0');">IA100830-010</a>
<ahref="javascript:view('66999','66999','0');">IA100831-001</a>
<ahref="javascript:view('67377','67377','0');">IA100904-004</a>
<ahref="javascript:view('67378','67378','0');">IA100904-005</a>
<ahref="javascript:view('3271','3271','0');">IA080115-031</a>
------------------
IA100908-002
IA100908-001
IA100908-016
IA100903-008
IA100903-007
IA100710-013
IA100515-013
IA100430-022
IA100830-001
IA100713-003
IA100713-001
IA100713-005
IA100830-010
IA100831-001
IA100904-004
IA100904-005
IA080115-031

<a href="javascript:view('67530','67530','0');">IA100908-002</a>

<a href="javascript:view('67529','67529','0');">IA100908-001</a>

<a href="javascript:view('67544','67544','0');">IA100908-016</a>

<a href="javascript:view('67364','67364','0');">IA100903-008</a>

<a href="javascript:view('67363','67363','0');">IA100903-007</a>

<a href="javascript:view('66104','66104','0');">IA100710-013</a>

<a href="javascript:view('57916','57916','0');">IA100515-013</a>

<a href="javascript:view('56962','56962','0');">IA100430-022</a>

<a href="javascript:view('66958','66958','0');">IA100830-001</a>

<a href="javascript:view('66319','66319','0');">IA100713-003</a>

<a href="javascript:view('66317','66317','0');">IA100713-001</a>

<a href="javascript:view('66321','66321','0');">IA100713-005</a>

<a href="javascript:view('66967','66967','0');">IA100830-010</a>

<a href="javascript:view('66999','66999','0');">IA100831-001</a>

<a href="javascript:view('67377','67377','0');">IA100904-004</a>

<a href="javascript:view('67378','67378','0');">IA100904-005</a>

<a href="javascript:view('3271','3271','0');">IA080115-031</a>
------------------
IA100908-002
IA100908-001
IA100908-016
IA100903-008
IA100903-007
IA100710-013
IA100515-013
IA100430-022
IA100830-001
IA100713-003
IA100713-001
IA100713-005
IA100830-010
IA100831-001
IA100904-004
IA100904-005
IA080115-031

补充下，input.html的基本结果如图：

分享到：

MyEclipse Profile 结合visualvm 监控内存 ... | jeecg-framework 采用eclipse-maven运行

2014-01-05 13:34
浏览 168
评论(0)
查看更多

发表评论

您还没有登录,请您登录后再发表评论

最近访客更多访客>>

博主相关

博客专栏

文章分类

社区版块

存档分类

最新评论

JSOUP初探

评论

发表评论

相关推荐

最近访客 更多访客>>

博主相关

博客专栏

文章分类

社区版块

存档分类

最新评论

JSOUP初探

评论

发表评论

相关推荐

最近访客更多访客>>