Java上的jQuery?解析HTML利器―――jsoup
　也许大家有过在java运行平台上解析html的经历，通常的方式是将HTML以XML的形式进行结点解析，调用java本身的xml解析类库。这样的方式很容易理解并且很方便，但习惯用jQuery的各位是否在感叹能否在java中像jQuery一样获取标签内容，实现DOM操作呢？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做一款漫画器的时候发现的，做漫画下载器时，因无法得到网站的API接口，所以只能通过解析HTML的方式获得网页内容与图片，在网络上找到jsoup以后发现习惯于jquery方式编程的我很快就可以适应jsoup的选择器，得到内容的方式也很容易，下面我们就开始学习神奇的jsoup。
1.下载jsoup
大家可以去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:如果需要解析访问较慢的网站的话需要加上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 =
4 & & &//获取指定网址的页面内容
5 & & &document = Jsoup.connect(&&).timeout(50000).get();
6 &} catch (IOException e) {
7 & & &e.printStackTrace();
　　另外我们除了通过网址的到HTML文档对象外还可以通过读取HTML文件来获取HTML文档，方法如下:
//获得文件对象
File input = new File(&/tmp/input.html&);
//获得文档对象
Document doc = Jsoup.parse(input, &UTF-8&, &/&);
　 & 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 & 通过选择器得到想要的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上本身就拥有的，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。
　　首先我们需要认识一下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。
　　接下来我们来看一下Document对象获取结点的步骤:
1 //通过Document的select方法获取class为abc的Elements结点集合
2 Elements elements = document.select(&.abc&);
3 //得到结点的第一个对象
4 Element element = elements.get(0);
5 //获取想要的属性值
6 String href = element.attr(&href&);
　　共三步，就可以得到想要的结果了，是不是很方便呢？
　　并且第二个步骤是可以省略的，下面让我们来看一下Elements的attr()方法的
& & &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 &&;
上边两个方法可以清除的看到当我们输入结点名称时，他会自动遍历所有集合内所有结点是否拥有此属性，如果拥有此属性即跳出返回结果，如无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，大家可根据需要来选择使用。
Selector选择器
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
Selector选择器组合使用
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
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，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
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原生获得结点方式的朋友们，jsoup还加入了许多原生方法名，例如:
1 //通过ID获得结点，返回值为Element而不是Elements
2 getElementById(String id)
3 //通过结点名返回节点集
4 getElementsByTag(String tag)
5 //通过类返回结点集
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说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说Jsoup同样提供了强大的属性赋值，例如:
//为结点添加内容
element.(内容);
//添加属性
element.attr(属性名,属性值)
element.addClass(类名)
　　修改结点属性的方式也与jQuery类似，也很容易理解。
您对本文章有什么意见或着疑问吗？请到您的关注和建议是我们前行的参考和动力&&
您的浏览器不支持嵌入式框架，或者当前配置为不显示嵌入式框架。Jsoup解析HTML实例及文档方法详解_小组_ThinkSAAS
Jsoup解析HTML实例及文档方法详解
Jsoup解析HTML实例及文档方法详解
解析和遍历一个HTML文档如何解析一个HTML文档： 代码如下:String html = "&html&&head&&title&First parse&/title&&/head&"
+ "&body&&p&Parsed HTML into a doc.&/p&&/body&&/html&";Document doc = Jsoup.parse(html);其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果，无论HTML的格式是否完整。比如它可以处理：1、没有关闭的标签 (比如： &p&Lorem &p&Ipsum parses to &p&Lorem&/p& &p&Ipsum&/p&)2、隐式标签 (比如. 它可以自动将 &td&Table data&/td&包装成&table&&tr&&td&?)3、创建可靠的文档结构（html标签包含head 和 body，在head只出现恰当的元素）一个文档的对象模型1、文档由多个Elements和TextNodes组成 (以及其它辅助nodes).2、其继承结构如下：Document继承Element继承Node. TextNode继承 Node.3、一个Element包含一个子节点集合，并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。从一个URL加载一个Document存在问题你需要从一个网站获取和解析一个HTML文档，并查找其中的相关数据。你可以使用下面解决方法：解决方法使用 Jsoup.connect(String url)方法: 代码如下:Document doc = Jsoup.connect("http://www.jb51.net/").get();String title = doc.title();说明connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。如果从该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，具体如下： 代码如下:Document doc = Jsoup.connect("http://www.jb51.net")
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(3000)
.post();这个方法只支持Web URLs (http和https 协议); 假如你需要从一个文件加载，可以使用parse(File in, String charsetName) 代替。从一个文件加载一个文档问题在本机硬盘上有一个HTML文件，需要对它进行解析从中抽取数据或进行修改。办法可以使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法： 代码如下:File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://www.jb51.net/");说明parse(File in, String charsetName, String baseUri) 这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误，将抛出IOException，应作适当处理。baseUri 参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。另外还有一个方法parse(File in, String charsetName) ，它使用文件的路径做为 baseUri。 这个方法适用于如果被解析文件位于网站的本地文件系统，且相关链接也指向该文件系统。使用DOM方法来遍历一个文档问题你有一个HTML文档要从中提取数据，并了解这个HTML文档的结构。方法将HTML解析成一个Document之后，就可以使用类似于DOM的方法进行操作。示例代码： 代码如下:File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://www.jb51.net/");Element content = doc.getElementById("content");Elements links = content.getElementsByTag("a");for (Element link : links) {
String linkHref = link.attr("href");
String linkText = link.text();}说明Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下：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()获取所有属性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()操作HTML和文本append(String html), prepend(String html)appendText(String text), prependText(String text)appendElement(String tagName), prependElement(String tagName)html(String value)使用选择器语法来查找元素问题你想使用类似于CSS或jQuery的语法来查找和操作元素。方法可以使用Element.select(String selector) 和 Elements.select(String selector) 方法实现： 代码如下:File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://www.jb51.net./");Elements links = doc.select("a[href]"); //带有href属性的a元素Elements pngs = doc.select("img[src$=.png]");
//扩展名为.png的图片Element masthead = doc.select("div.masthead").first();
//class等于masthead的div标签Elements resultLinks = doc.select("h3.r & a"); //在h3元素之后的a元素说明jsoup elements对象支持类似于CSS (或jquery)的选择器语法，来实现非常强大和灵活的查找功能。.这个select 方法在Document, Element,或Elements对象中都可以使用。且是上下文相关的，因此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。Selector选择器概述tagname: 通过标签查找元素，比如：ans|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Selector选择器组合使用el#id: 元素+ID，比如： div#logoel.class: 元素+class，比如： div.mastheadel[attr]: 元素+class，比如： a[href]任意组合，比如：a[href].highlightancestor 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 + divsiblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ pel, 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，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等可以查看Selector API参考来了解更详细的内容从元素抽取属性，文本和HTML问题在解析获得一个Document实例对象，并查找到一些元素之后，你希望取得在这些元素中的数据。方法要取得一个属性的值，可以使用Node.attr(String key) 方法对于一个元素中的文本，可以使用Element.text()方法对于要取得元素或属性中的HTML内容，可以使用Element.html(), 或 Node.outerHtml()方法示例： 代码如下:String html = "&p&An &a href='http://www.jb51.net/'&&b&www.jb51.net&/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String text = doc.body().text(); // "An www.jb51.net link"//取得字符串中的文本String linkHref = link.attr("href"); // "http://www.jb51.net/"//取得链接地址String linkText = link.text(); // "www.jb51.net""//取得链接地址中的文本String linkOuterH = link.outerHtml();
// "&a href="http://www.jb51.net"&&b&www.jb51.net&/b&&/a&"String linkInnerH = link.html(); // "&b&www.jb51.net&/b&"//取得链接内的html内容说明上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用：Element.id()Element.tagName()Element.className() and Element.hasClass(String className)这些访问器方法都有相应的setter方法来更改数据.示例程序: 获取所有链接这个示例程序将展示如何从一个URL获得一个页面。然后提取页面中的所有链接、图片和其它辅助内容。并检查URLs和文本信息。运行下面程序需要指定一个URLs作为参数 代码如下:package org.jsoup.www.jb51.import org.jsoup.Jimport org.jsoup.helper.Vimport org.jsoup.nodes.Dimport org.jsoup.nodes.Eimport org.jsoup.select.Eimport java.io.IOE/** * www.jb51.net program to list links from a URL. */public class ListLinks {
public static void main(String[] args) throws IOException {
Validate.isTrue(args.length == 1, "usage: supply url to fetch");
String url = args[0];
print("Fetching %s...", url);
Document doc = Jsoup.connect(url).get();
Elements links = doc.select("a[href]");
Elements media = doc.select("[src]");
Elements imports = doc.select("link[href]");
print("nMedia: (%d)", media.size());
for (Element src : media) {
if (src.tagName().equals("img"))
print(" * %s: &%s& %sx%s (%s)",
src.tagName(), src.attr("abs:src"), src.attr("width"), src.attr("height"),
trim(src.attr("alt"), 20));
print(" * %s: &%s&", src.tagName(), src.attr("abs:src"));
print("nImports: (%d)", imports.size());
for (Element link : imports) {
print(" * %s &%s& (%s)", link.tagName(),link.attr("abs:href"), link.attr("rel"));
print("nLinks: (%d)", links.size());
for (Element link : links) {
print(" * a: &%s&
(%s)", link.attr("abs:href"), trim(link.text(), 35));
private static void print(String msg, Object... args) {
System.out.println(String.format(msg, args));
private static String trim(String s, int width) {
if (s.length() & width)
return s.substring(0, width-1) + ".";
}}org/jsoup/www.jb51.nets/ListLinks.java
用户评论(0)
开发技术学习小组列表
PHP开发框架
缓存Memcache
服务器环境
ThinkSAAS商业授权：
ThinkSAAS为用户提供有偿个性定制开发服务
ThinkSAAS将为商业授权用户提供二次开发指导和技术支持
手机客户端
ThinkSAAS接收任何功能的Iphone(IOS)和Android手机的客户端定制开发服务
让ThinkSAAS更好，把建议拿来。HTML页面解析组件-Jsoup使用
java端解析HTML页面内容
Jsoup把HTML的解析变为DOM的方式，类似于在HTML页面中直接用JS操作。
使用方法：
Document doc = Jsoup.parse(new
URL(“http://”),5000);
这是从一个URL地址获取HTML页面内容，然后直接处理成一个DOM的对象。当然，也可以传入已有的HTML页面String，
甚至于File对象，输入流对象。
元素用Element对象封装
元素集合用Elements对象封装（LinkedHashSet）
Elements elems = doc.getElementsByTagName_r("A");
Elemens elems = doc.getElemensByName("name”);
最方便的莫过于类似于XPATH的select方法
Elements elems& = doc.select(“A[href^=http]”); //href
以http开头
更多规则：
Selector overview
tagname: find elements by tag,
ns|tag: find elements by tag
in a namespace, e.g. fb|name finds
&fb:name&
#id: find elements by ID, e.g.
.class: find elements by class
name, e.g. .masthead
[attribute]: elements with
attribute, e.g. [href]
[^attr]: elements with an
attribute name prefix, e.g. [^data-] finds elements
with HTML5 dataset attributes
[attr=value]: elements with
attribute value, e.g. [width=500]
[attr^=value], [attr$=value],
[attr*=value]: elements with
attributes that start with, end with, or contain the value, e.g.
[href*=/path/]
[attr~=regex]: elements with
attribute values that match th
e.g.img[src~=(?i)\.(png|jpe?g)]
*: all elements, e.g.
Selector combinations
el#id: elements with ID, e.g.
el.class: elements with class,
e.g. div.masthead
el[attr]: elements with
attribute, e.g. a[href]
Any combination, e.g.
a[href].highlight
ancestor child: child elements
that descend from ancestor, e.g. .body p finds
p elements anywhere under a block with class
parent & child:
child elements that descend directly from parent, e.g.
div.content & pfinds p
and body & * finds the direct
children of the body tag
siblingA + siblingB: finds
sibling B element immediately preceded by sibling A,
e.g.div.head + div
siblingA ~ siblingX: finds
sibling X element preceded by sibling A, e.g. h1 ~
el, el, el: group multiple
selectors, find unique elements that match
e.g. div.masthead, div.logo
Pseudo selectors
:lt(n): find
elements whose sibling index (i.e. its position in the DOM tree
relative to its parent) is less than n; e.g.
td:lt(3)
:gt(n): find
elements whose sibling index is greater than n; e.g.
div p:gt(2)
:eq(n): find
elements whose sibling index is equal to n; e.g.
form input:eq(1)
:has(seletor):
find elements that contain elements m e.g.
div:has(p)
:not(selector):
find elements that do no e.g.
div:not(.logo)
:contains(text):
find elements that contain the given text. The search is
case- e.g.
p:contains(jsoup)
:containsOwn(text):
find elements that directly contain the given text
:matches(regex):
find elements whose text matches the specifie
e.g.div:matches((?i)login)
:matchesOwn(regex):
find elements whose own text matches the specified regular
expression
Note that the above indexed pseudo-selectors are 0-based,
that is, the first element is at index 0, the second at 1,
API reference for the full supported list and
1、使用非常简单，类似于JS操作DOM，很直观，熟悉
2、选择器很强大，可以很方便的查找元素
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。用jsoup解析获取一段网页内容的问题
用jsoup解析获取一段网页内容的问题
Html实例：----------------------------------------------------------- &div class=&list_books& id=&list_books&&&td&java开发解析&/td& &p&&span&&strong&馆藏复本：&/strong&3 &br /& &strong&可借复本：&/strong&0 &/span&朱印宏编著 &br /& 长江出版社&/p& &/div&-------------------------------------------------------------这段网页，获取图书标题信息代码如下。-------------------------------------------------------------Java代码：Book book=new Book();book.setTitle(book..get(0).getElementsByTag(&td&).text());--------------------------------------------------------------但是怎么获取“作者”、“出版社信息”、“管藏复本”、“可借复本”信息？没有标签或者class和id什么的，困惑。。。。
&p&这段html实际上是不符合规范的。在用jsoup解析时会出现问题。&/p& &p&我想到一个办法解决这个问题。&/p& &p&首先我想你应该是想得到 标题、馆藏复本的数目、可借复本的数目、朱印宏编著和长江出版社。 &/p& &p&&/p& &p&所以我们先把上面html里面的文字全部得到即：&/p& &p&java开发解析 馆藏复本：3 可借复本：0 朱印宏编著 长江出版社&/p& &p&&/p& &p&然后我想在这段文字中 “馆藏复本：”、“可借复本：”、“编著” 这几个字应该是固定不变的。所以我们可以用正则表达式去对它进行解析，得到你想要的文字。&/p& &p&代码如下：&/p& public class Test { public static void main(String[] args) { String html = &&div class=\&list_books\& id=\&list_books\&&&td&java开发解析&/td&&p&&span&&strong&馆藏复本：&/strong&3 &br /& &strong&可借复本：&/strong&0 &/span&朱印宏编著 &br /& 长江出版社&/p& &/div&&; Document doc = Jsoup.parse(html); String e = doc.select(&#list_books&).text().replaceAll(&[\\s]+&, &&); //System.out.println(e); Pattern p = pile(&^(.*)馆藏复本：([\\d]+)可借复本：([\\d]+)(.*)编著(.*)$&); Matcher m = p.matcher(e); if(m.find()){ for(int i=1;i&=m.groupCount();i++){ System.out.println(m.group(i)); } } }}&p&如果如下：&/p& java开发解析30朱印宏长江出版社
相关知识等待您来回答
手机领域专家
& &SOGOU - 京ICP证050897号}