Java上的jQuery？解析HTML利器—Jsoup

　　也许你们有过在java运行平台上解析html的经历，一般的方式是将HTML以XML的形式进行结点解析，调用java自己的xml解析类库。这样的方式很容易理解而且很方便，但习惯用jQuery的各位是否在感叹可否在java中像jQuery同样获取标签内容，实现DOM操做呢？终于，发现了一个html解析利器，jsoup！

　　初次用jsoup的时候是在业余时间作一款漫画下载器的时候发现的，作漫画下载器时，因没法获得网站的API接口，因此只能经过解析HTML的方式得到网页内容与图片，在网络上找到jsoup之后发现习惯于jquery方式编程的我很快就能够适应jsoup的选择器，获得内容的方式也很容易，下面咱们就开始学习神奇的jsoup。

 

1.下载jsoup

你们能够去jsoup的官网下载jsoup，或者点击jsoup-1.7.3.jar(官方下载地址)

 2.jsoup初体验

　　第一步   获取html文档对象。

　　Document对象:用于接收html的文档内容

　　Jsoup.connect(String url).get():用于指定网址，返回值为Document对象

　　ps:若是须要解析访问较慢的网站的话须要加上timeout方法，以放抛出RuntimeException异常。

　　

1  //文档对象，用来接收html页面
2  Document document = null;
3  try {
4      //获取指定网址的页面内容
5      document = Jsoup.connect("http://www.baidu.com/").timeout(50000).get();
6  } catch (IOException e) {
7      e.printStackTrace();
8  }

 

　　另外咱们除了经过网址的到HTML文档对象外还能够经过读取HTML文件来获取HTML文档，方法以下:

//得到文件对象
File input = new File("/tmp/input.html");
//得到文档对象
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

　   上面这段代码很好理解,parse是Jsoup类的静态方法，用于加载和解析HTML文档，其中的三个参数分别为:

　　参数1:要获取的文件对象

　　参数2:HTML文档的文字编码例如UTF-8，ISO 8859-1，GBK等等

　　参数3:用于相对路径的前缀

 

　　第二步   经过选择器获得想要的Dom结点

　　jsoup提供了丰富的选择器，选择器的方便程度媲美jQuery，其中的筛选选择器，父选择器等更是jQuery上自己就拥有的，具体该怎么用这个选择器呢？相信习惯jQuery的童鞋很快就会适应jsoup选择器的。

　　首先咱们须要认识一下Elements对象，Elements类实现了java.lang.List接口，主要用于保存选择器选择到的结点。

　　接下来咱们来看一下Document对象获取结点的步骤:

　　

1 //经过Document的select方法获取class为abc的Elements结点集合
2 Elements elements = document.select(".abc");
3 //获得结点的第一个对象
4 Element element = elements.get(0);
5 //获取想要的属性值
6 String href = element.attr("href");

 

　　共三步，就能够获得想要的结果了，是否是很方便呢？

　　而且第二个步骤是能够省略的，下面让咱们来看一下Elements的attr()方法的源码

    /** Get an attribute value from the first matched element that has the attribute. @param attributeKey The attribute key. @return The attribute value from the first matched element that has the attribute.. If no elements were matched (isEmpty() == true), or if the no elements have the attribute, returns empty string. @see #hasAttr(String) */
    public String attr(String attributeKey) { for (Element element : contents) { if (element.hasAttr(attributeKey)) return element.attr(attributeKey); } return ""; }

上边两个方法能够清除的看到当咱们输入结点名称时，他会自动遍历全部集合内全部结点是否拥有此属性，若是拥有此属性即跳出返回结果，如没法找到含有此属性的结点则返回 Empty。

 

　　jsoup的选择器除了上面的例子里的类选择器还有下面的丰富选择器，你们可根据须要来选择使用。

Selector选择器

• tagname: 经过标签查找元素，好比：a
• ns|tag: 经过标签在命名空间查找元素，好比：能够用 fb|name 语法来查找 <fb:name> 元素
• #id: 经过ID查找元素，好比：#logo
• .class: 经过class名称查找元素，好比：.masthead
• [attribute]: 利用属性查找元素，好比：[href]
• [^attr]: 利用属性名前缀来查找元素，好比：能够用[^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，好比：[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，好比：[href*=/path/]
• [attr~=regex]: 利用属性值匹配正则表达式来查找元素，好比： img[src~=(?i)\.(png|jpe?g)]
• *: 这个符号将匹配全部元素

Selector选择器组合使用

• el#id: 元素+ID，好比： div#logo
• el.class: 元素+class，好比： div.masthead
• el[attr]: 元素+class，好比： a[href]
• 任意组合，好比：a[href].highlight
• ancestor child: 查找某个元素下子元素，好比：能够用.body p 查找在"body"元素下的全部p元素
• parent > child: 查找某个父元素下的直接子元素，好比：能够用div.content > p 查找 p 元素，也能够用body > * 查找body标签下全部直接子元素
• siblingA + siblingB: 查找在A元素以前第一个同级元素B，好比：div.head + div
• siblingA ~ siblingX: 查找A元素以前的同级X元素，好比：h1 ~ p
• el, el, el:多个选择器组合，查找匹配任一选择器的惟一元素，例如：div.masthead, div.logo

伪选择器selectors

• :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，好比：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，好比： 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，好比：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，好比：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，好比： div:not(.logo) 表示不包含 class="logo" 元素的全部 div 列表
• :contains(text): 查找包含给定文本的元素，搜索不区分大不写，好比： 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，好比：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
• 注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等

为了照顾习惯js原生得到结点方式的朋友们，jsoup还加入了许多原生方法名，例如:

1 //经过ID得到结点，返回值为Element而不是Elements
2 getElementById(String id)
3 //经过结点名返回节点集
4 getElementsByTag(String tag)
5 //经过类返回结点集
6 getElementsByClass(String className)

 

 　　第三步 修改结点属性

　　对于仅仅要读取数据的朋友们来讲上面两步已经足以完成需求，而对于有修改文档内容需求的来讲Jsoup一样提供了强大的属性赋值，例如:

//为结点添加内容
element.html(内容);
//添加属性
element.attr(属性名,属性值)
//添加类
element.addClass(类名)

 

　　修改结点属性的方式也与jQuery相似，也很容易理解。

 

 

若是你们已经了解了jsoup的基础操做的话，能够本身动手试试解析一个HTML文档，若是有问题欢迎跟帖，另外附上两个jsoup教程的网址:

jsoup英文版api: http://jsoup.org/apidocs/

英文好的同窗能够去瞧瞧，jsoup实用的方法还有不少的哦！

jsoup中文版教程:http://www.open-open.com/jsoup/parsing-a-document.htm

 

^_^