Java上的jQuery？解析HTML利器—Jsoup

　　也許你們有過在java運行平臺上解析html的經歷，一般的方式是將HTML以XML的形式進行結點解析，調用java自己的xml解析類庫。這樣的方式很容易理解而且很方便，但習慣用jQuery的各位是否在感嘆可否在java中像jQuery同樣獲取標籤內容，實現DOM操做呢？終於，發現了一個html解析利器，jsoup！

　　初次用jsoup的時候是在業餘時間作一款漫畫下載器的時候發現的，作漫畫下載器時，因沒法獲得網站的API接口，因此只能經過解析HTML的方式得到網頁內容與圖片，在網絡上找到jsoup之後發現習慣於jquery方式編程的我很快就能夠適應jsoup的選擇器，獲得內容的方式也很容易，下面咱們就開始學習神奇的jsoup。

 

1.下載jsoup

你們能夠去jsoup的官網下載jsoup，或者點擊jsoup-1.7.3.jar(官方下載地址)

 2.jsoup初體驗

　　第一步   獲取html文檔對象。

　　Document對象:用於接收html的文檔內容

　　Jsoup.connect(String url).get():用於指定網址，返回值爲Document對象

　　ps:若是須要解析訪問較慢的網站的話須要加上timeout方法，以放拋出RuntimeException異常。

　　

1  //文檔對象，用來接收html頁面
2  Document document = null;
3  try {
4      //獲取指定網址的頁面內容
5      document = Jsoup.connect("http://www.baidu.com/").timeout(50000).get();
6  } catch (IOException e) {
7      e.printStackTrace();
8  }

 

　　另外咱們除了經過網址的到HTML文檔對象外還能夠經過讀取HTML文件來獲取HTML文檔，方法以下:

//得到文件對象
File input = new File("/tmp/input.html");
//得到文檔對象
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

　   上面這段代碼很好理解,parse是Jsoup類的靜態方法，用於加載和解析HTML文檔，其中的三個參數分別爲:

　　參數1:要獲取的文件對象

　　參數2:HTML文檔的文字編碼例如UTF-8，ISO 8859-1，GBK等等

　　參數3:用於相對路徑的前綴

 

　　第二步   經過選擇器獲得想要的Dom結點

　　jsoup提供了豐富的選擇器，選擇器的方便程度媲美jQuery，其中的篩選選擇器，父選擇器等更是jQuery上自己就擁有的，具體該怎麼用這個選擇器呢？相信習慣jQuery的童鞋很快就會適應jsoup選擇器的。

　　首先咱們須要認識一下Elements對象，Elements類實現了java.lang.List接口，主要用於保存選擇器選擇到的結點。

　　接下來咱們來看一下Document對象獲取結點的步驟:

　　

1 //經過Document的select方法獲取class爲abc的Elements結點集合
2 Elements elements = document.select(".abc");
3 //獲得結點的第一個對象
4 Element element = elements.get(0);
5 //獲取想要的屬性值
6 String href = element.attr("href");

 

　　共三步，就能夠獲得想要的結果了，是否是很方便呢？

　　而且第二個步驟是能夠省略的，下面讓咱們來看一下Elements的attr()方法的源碼

    /** 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 ""; }

上邊兩個方法能夠清除的看到當咱們輸入結點名稱時，他會自動遍歷全部集合內全部結點是否擁有此屬性，若是擁有此屬性即跳出返回結果，如沒法找到含有此屬性的結點則返回 Empty。

 

　　jsoup的選擇器除了上面的例子裏的類選擇器還有下面的豐富選擇器，你們可根據須要來選擇使用。

Selector選擇器

• tagname: 經過標籤查找元素，好比：a
• ns|tag: 經過標籤在命名空間查找元素，好比：能夠用 fb|name 語法來查找 <fb:name> 元素
• #id: 經過ID查找元素，好比：#logo
• .class: 經過class名稱查找元素，好比：.masthead
• [attribute]: 利用屬性查找元素，好比：[href]
• [^attr]: 利用屬性名前綴來查找元素，好比：能夠用[^data-] 來查找帶有HTML5 Dataset屬性的元素
• [attr=value]: 利用屬性值來查找元素，好比：[width=500]
• [attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素，好比：[href*=/path/]
• [attr~=regex]: 利用屬性值匹配正則表達式來查找元素，好比： img[src~=(?i)\.(png|jpe?g)]
• *: 這個符號將匹配全部元素

Selector選擇器組合使用

• 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]
• 任意組合，好比：a[href].highlight
• ancestor child: 查找某個元素下子元素，好比：能夠用.body p 查找在"body"元素下的全部p元素
• parent > child: 查找某個父元素下的直接子元素，好比：能夠用div.content > p 查找 p 元素，也能夠用body > * 查找body標籤下全部直接子元素
• siblingA + siblingB: 查找在A元素以前第一個同級元素B，好比：div.head + div
• siblingA ~ siblingX: 查找A元素以前的同級X元素，好比：h1 ~ p
• el, el, el:多個選擇器組合，查找匹配任一選擇器的惟一元素，例如：div.masthead, div.logo

僞選擇器selectors

• :lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對於它的父節點）小於n，好比：td:lt(3) 表示小於三列的元素
• :gt(n):查找哪些元素的同級索引值大於n，好比： div p:gt(2)表示哪些div中有包含2個以上的p元素
• :eq(n): 查找哪些元素的同級索引值與n相等，好比：form input:eq(1)表示包含一個input標籤的Form元素
• :has(seletor): 查找匹配選擇器包含元素的元素，好比：div:has(p)表示哪些div包含了p元素
• :not(selector): 查找與選擇器不匹配的元素，好比： div:not(.logo) 表示不包含 class="logo" 元素的全部 div 列表
• :contains(text): 查找包含給定文本的元素，搜索不區分大不寫，好比： p:contains(jsoup)
• :containsOwn(text): 查找直接包含給定文本的元素
• :matches(regex): 查找哪些元素的文本匹配指定的正則表達式，好比：div:matches((?i)login)
• :matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素
• 注意：上述僞選擇器索引是從0開始的，也就是說第一個元素索引值爲0，第二個元素index爲1等

爲了照顧習慣js原生得到結點方式的朋友們，jsoup還加入了許多原生方法名，例如:

1 //經過ID得到結點，返回值爲Element而不是Elements
2 getElementById(String id)
3 //經過結點名返回節點集
4 getElementsByTag(String tag)
5 //經過類返回結點集
6 getElementsByClass(String className)

 

 　　第三步 修改結點屬性

　　對於僅僅要讀取數據的朋友們來講上面兩步已經足以完成需求，而對於有修改文檔內容需求的來講Jsoup一樣提供了強大的屬性賦值，例如:

//爲結點添加內容
element.html(內容);
//添加屬性
element.attr(屬性名,屬性值)
//添加類
element.addClass(類名)

 

　　修改結點屬性的方式也與jQuery相似，也很容易理解。

 

 

若是你們已經瞭解了jsoup的基礎操做的話，能夠本身動手試試解析一個HTML文檔，若是有問題歡迎跟帖，另外附上兩個jsoup教程的網址:

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

英文好的同窗能夠去瞧瞧，jsoup實用的方法還有不少的哦！

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

 

^_^