1、 JSOUP简介

在以往用java来处理解析HTML文档或者片断时，咱们一般会采用htmlparser（http://htmlparser.sourceforge.net/）这个开源类库。如今咱们有了JSOUP，之后的处理HTML的内容只须要使用JSOUP就已经足够了，JSOUP有更快的更新，更方便的API等。css

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。它提供了一套很是省力的API，可经过DOM，CSS以及相似于jQuery的操做方法来取出和操做数据，能够看做是java版的jQuery。html

jsoup的主要功能以下：java

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；
可操做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。官方网站：http://jsoup.org/node

2、解析遍历HTML文档

Jsoup处理HTML文件是，是将用户输入的HTML文档，解析转换成一个Document对象进行处理。Jsoup通常支持如下几种来源内容的转换。jquery

解析一个html字符串
解析一个body片断
根据一个url地址加载Document对象
根据一个文件加载Document对象

(一)解析一个html字符串

在处理一个html字符串。咱们可能须要对其进行解析，并提取其内容，或校验其格式是否完整，或者想修改它。Jsoup能够帮助咱们轻松的解决这些问题。css3

在Jsoup中有一个这样的静态方法Jsoup.parse(String html)，能够将咱们的html片断转换成Document对象。示例以下：web

1 2	`String html =` `"<div><p align=\"center\"><img alt=\"\" width=\"660\" height=\"852\" src=\"/erp/UserFiles/Image/51.jpg\" />这是P元素的内容</p>"` `;` `Document document = Jsoup.parse(html);`

使用上面的方法，就能够将html字符串，转换成Document对象，一旦有了Document对象，咱们就可使用其中适当的方法根据需求处理问题。咱们能够看到这里转换的html片断并非一个合法的html片断，里面的div标签没有闭合。这对于Jsoup来讲不是问题，它能够很好的处理这类问题。api

(二) 解析body片断

假如咱们如今有一个HTML片段 (好比. 一个 div 包含一对 p 标签; 一个不完整的HTML文档) 想对它进行解析。这个HTML片段能够是用户提交的一条评论或在一个CMS页面中编辑body部分。咱们可使用使用Jsoup.parseBodyFragment(String html)方法。cookie

示例以下：app

1 2	`String html =` `"<div><p align=\"center\"><img alt=\"\" width=\"660\" height=\"852\" src=\"/erp/UserFiles/Image/51.jpg\" />这是P元素的内容</p>"` `;` `Document document = Jsoup.parseBodyFragment(html);`

看到这里可能会有疑问，这个和上面的html片断是同样的嘛。没错是同样的，parseBodyFragment 方法建立一个空壳的文档，并插入解析过的HTML到body元素中。假如使用正常的 Jsoup.parse(String html) 方法，一般也能够获得相同的结果，可是明确将用户输入做为 body片断处理，以确保用户所提供的任何糟糕的HTML都将被解析成body元素。

Document.body() 方法可以取得文档body元素的全部子元素，与doc.getElementsByTag("body")相同。

(三) 根据一个URL地址加载Document对象

有时候咱们可能但愿经过一个url地址，而后提取里面的内容，转换成document对象。咱们之前多是使用http client等模拟一个请求，而后取得返回内容等，使用Jsoup方便简单的解决这个问题。示例以下：

1

2

3

 
              Document document = Jsoup.connect( 
              "http://www.baidu.com" 
              ).get(); 
             
              String title = document.title(); 
             
              String text = document.text();

connect(String url) 方法建立一个新的 Connection, 和 get() 取得和解析一个HTML文件。若是从该URL获取HTML时发生错误，便会抛出 IOException，应适当处理。

Connection 接口还提供一个方法链来解决特殊请求，具体以下：

1	`Document doc = Jsoup.connect(` `"http://test.com"` `).data(` `"query"` `,` `"Java"` `).userAgent(` `"Mozilla"` `).cookie(` `"auth"` `,` `"token"` `).timeout(` `3000` `).post();`

能够向连接地址post参数，设置userAgent，cookie，timeout等，并且这里是采用的连接操做很方便（熟悉jQuery的应该很熟悉这样的连接操做）。

(四)根据文件加载document

有时候咱们要处理的html内容，多是存在硬盘上的某个文件里面，咱们须要从中提取或者解析某些内容出来，咱们能够经过Jsoup来这样处理。示例代码以下：

1 2	`File input =` `new` `File(` `"d:/input.html"` `);` `Document doc = Jsoup.parse(input,` `"UTF-8"` `,` `"http://test.com/"` `);`

看到这里可能有一个疑问，第一个参数是文件，第二是编码，第三个是什么呢?第三个参数是baseUrl，使用他咱们能够方便的处理相对路径问题，若是不须要能够不传，这是一个多态方法，在前面的三个部分里面，均可以再加一个这样的baseUrl，后面会详细讲述。

3、数据抽取

(一) 使用Dom方法遍历文档

经过第二章咱们能够获取一个document的对象，咱们能够经过这个对象来遍历文档，如：

1

2

3

4

5

6

7

 
              Document doc = Jsoup.parse(input,  
              "UTF-8" 
              ,  
              "http://test.com/" 
              ); 
             
              Element content = doc.getElementById( 
              "content" 
              ); 
             
              Elements links = content.getElementsByTag( 
              "a" 
              ); 
             
              for 
              (Element link : links) { 
             
              String linkHref = link.attr( 
              "href" 
              ); 
             
              String linkText = link.text(); 
             
              }

这里咱们能够方便的使用Doument对象的方法来获取内容。经常使用方法以下：

查找元素

getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key) (and related methods)
Element siblings: siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()
Graph: parent(), children(), child(int index)

元素数据

attr(String key)获取属性attr(String key, String value)设置属性
attributes()获取全部属性
id(), className() and classNames()
text()获取文本内容text(String value) 设置文本内容
html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
outerHtml()获取元素外HTML内容
data()获取数据内容（例如：script和style标签)
tag() and tagName()

操做HTML和文本

(二) 使用选择器来查找元素

使用jQuery时，咱们无不为其强大的选择器叹服，jsoup有一样的强大的选择器，能够方便咱们的对文档进行处理。示例代码以下：

1

2

3

4

5

6

 
              Elements links = doc.select( 
              "a[href]" 
              );  
              //带有<span style="text-decoration: underline;">href</span>属性的a元素 
             
              Elements pngs = doc.select( 
              "img[src$=.png]" 
              ); 
             
              //扩展名为.<span style="text-decoration: underline;">png</span>的图片 
             
              Element masthead = doc.select( 
              "div.masthead" 
              ).first(); 
             
              //class等于<span style="text-decoration: underline;">masthead</span>的<span style="text-decoration: underline;">div</span>标签 
             
              Elements resultLinks = doc.select( 
              "h3.r > a" 
              );  
              //在h3元素以后的a元素

jsoup elements对象支持相似于CSS (或jquery)的选择器语法，来实现很是强大和灵活的查找功能。.

这个select 方法在Document, Element,或Elements对象中均可以使用。且是上下文相关的，所以可实现指定元素的过滤，或者链式选择访问。

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。

(三) 从元素中抽取属性和文档

使用Jsoup抽取属性，通常方法以下：

要取得一个属性的值，可使用Node.attr(String key) 方法
对于一个元素中的文本，可使用Element.text()方法
对于要取得元素或属性中的HTML内容，可使用Element.html(), 或 Node.outerHtml()方法

示例以下：

 
              String html =  
              "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>" 
              ; 
             
              Document doc = Jsoup.parse(html); 
              //解析HTML字符串返回一个Document实现 
             
              Element link = doc.select( 
              "a" 
              ).first(); 
              //查找第一个a元素</pre> 
             
              String text = doc.body().text();  
              // "An example link"//取得字符串中的文本 
             
              String linkHref = link.attr( 
              "href" 
              );  
              // "http://example.com/"//取得连接地址 
             
              String linkText = link.text();  
              // "example""//取得连接地址中的文本</pre> 
             
              String linkOuterH = link.outerHtml(); 
             
              // "<a href="http://example.com"><b>example</b></a>" 
             
              String linkInnerH = link.html();  
              // "<b>example</b>"//取得连接内的html内容

(四) URL处理

咱们在处理HTML内容时，可能常常会遇到这种问题，须要将html页面里面的连接地址从相对地址转换成绝对地址，jsoup有一个方法用来解决此问题。咱们前面对到的baseurl，就是用来解决此问题的。示例代码以下：

1

2

3

4

5

 
              Document doc = Jsoup.connect( 
              "http://www.baidu.com/" 
              ).get(); 
             
              Element link = doc.select( 
              "a" 
              ).first(); 
             
              String relHref = link.attr( 
              "href" 
              );  
              // == "/" 
             
              String absHref = link.attr( 
              "abs:href" 
              ); 
             
              // "http://www.baidu.com/gaoji/preferences.html"

在HTML元素中，URLs常常写成相对于文档位置的相对路径： <a href="/download">...</a>. 当你使用 Node.attr(String key) 方法来取得a元素的href属性时，它将直接返回在HTML源码中指定定的值。

假如你须要取得一个绝对路径，须要在属性名前加 abs: 前缀。这样就能够返回包含根路径的URL地址attr("abs:href")

所以，在解析HTML文档时，定义base URI很是重要。若是你不想使用abs: 前缀，还有一个方法可以实现一样的功能 Node.absUrl(String key)。

4、数据修改

(一) 设置属性值

在处理html时，咱们有时候可能须要修改里面的属性值，如图片地址、class名称等各类属性。

可使用属性设置方法 Element.attr(String key, String value), 和 Elements.attr(String key, String value).

假如你须要修改一个元素的 class 属性，可使用 Element.addClass(String className) 和Element.removeClass(String className) 方法。

Elements 提供了批量操做元素属性和class的方法，好比：要为div中的每个a元素都添加一个rel="nofollow"
可使用以下方法：

1	`doc.select(` `"div.comments a"` `).attr(` `"rel"` `,` `"nofollow"` `);`

这里的jsoup方法一样支持连接操做，以下：

1	`doc.select(` `"div.masthead"` `).attr(` `"title"` `,` `"jsoup"` `).addClass(` `"round-box"` `);`

(二) 设置元素的html内容

咱们须要向html里面添加html片断等内容时能够以下操做：

 
              Element div = doc.select( 
              "div" 
              ).first();  
              // <div></div> 
             
 
              div.html( 
              "<p>lorem ipsum</p>" 
              );  
              // <div><p>lorem ipsum</p></div> 
             
 
              div.prepend( 
              "<p>First</p>" 
              ); 
              //在div前添加html内容 
             
 
              div.append( 
              "<p>Last</p>" 
              ); 
              //在div以后添加html内容 
             
 
              // 添完后的结果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div> 
             
 
              Element span = doc.select( 
              "span" 
              ).first();  
              // <span>One</span> 
             
 
              span.wrap( 
              "<li><a href='http://example.com/'></a></li>" 
              ); 
             
 
              //对元素包裹一个外部HTML内容添完后的结果: 
             
 
              //<li><a href="http://example.com"><span>One</span></a></li> 
             

(三) 设置元素的文本内容

若是咱们须要修改元素内的文本内容，能够以下操做：

1

2

3

4

5

 
              Element div = doc.select( 
              "div" 
              ).first();  
              // <div></div> 
             
 
              div.text( 
              "five > four" 
              );  
              // <div>five &gt; four</div> 
             
 
              div.prepend( 
              "First " 
              ); 
             
 
              div.append( 
              " Last" 
              ); 
             
 
              // now: <div>First five &gt; four Last</div> 
             

说明

文本设置方法与 HTML setter 方法同样：

Element.text(String text) 将清除一个元素中的内部HTML内容，而后提供的文本进行代替

Element.prepend(String first) 和 Element.append(String last) 将分别在元素的内部html先后添加文本节点。

对于传入的文本若是含有像 <, > 等这样的字符，将以文本处理，而非HTML。

使用Jsoup解析html网页