Jsoup使用教程以及使用案例

梦里梦外; 2023-09-25 20:34 40阅读 0赞

### 文章目录 ###

*  1：什么是Jsoup
 *   *  1：Jsoup概述
     *  2：Jsoup能做什么
 *  2：Jsoup相关概念
 *  3：获取文档
 *   *  1：导入jsoup的jar包
     *  2：从URL中加载文档对象（常用）
     *  3：从本地文件中加载文档对象
     *  4：从字符串文本中加载文档对象
     *  5：从<body>片断中获取文档对象
 *  4:定位选择元素
 *   *  1：DOM方式
     *   *  1：案例代码
         *  2：查找元素-下列方法返回的是Element或Elements
     *  2：CSS选择器方式
     *   *  1：代码实例
         *  2：select(String selector)方法参数简介
         *  3：参数属性组合使用
         *  4：特殊参数：伪选择器
 *  5:获取数据
 *   *  1：获取元素数据
     *  2：操作HTML文本
 *  6：修改数据
 *   *  1:设置属性的值
     *  2：修改元素的HTML内容
     *  3：修改元素的文本内容
 *  7:其他功能
 *   *  1：返回html链接的绝对路径
     *  2：使用代理

# 1：什么是Jsoup #

## 1：Jsoup概述 ##

jsoup 是一款基于 Java 的HTML解析器，它提供了一套非常省力的API，不但能直接解析某个URL地址、HTML文本内容，而且还能通过类似于DOM、CSS或者jQuery的方法来操作数据，所以 jsoup 也可以被当做爬虫工具使用，从网站获取dom结构，从而解析下载数据。

## 2：Jsoup能做什么 ##

*  从 URL、文件或字符串中抓取和解析HTML（爬虫）
 *  使用DOM 遍历或 CSS 选择器查找和提取数据
 *  操作HTML 元素、属性和文本
 *  根据安全列表清理用户提交的内容，以防止XSS攻击
 *  输出整洁的网页

# 2：Jsoup相关概念 #

Jsoup很多概念和js类似，可参照对比理解

*  **Document** ：文档对象。每份HTML页面都是一个文档对象，Document 是 jsoup 体系中最顶层的结构。
 *  **Element**：元素对象。一个 Document 中可以着包含着多个 Element 对象，可以使用 Element 对象来遍历节点提取数据或者直接操作HTML。
 *  **Elements**：元素对象集合，类似于List。
 *  **Node**：节点对象。标签名称、属性等都是节点对象，节点对象用来存储数据。
 *  类继承关系：Document 继承自 Element(**class Document extends Element**) ，Element 继承自 Node(**class Element extends Node**)。
 *  一般执行流程：先获取 Document 对象，然后获取 Element 对象，最后再通过 Node 对象获取数据。  
    ![在这里插入图片描述][a0ad7521fe4a4abb81128a28b47c262c.png]

# 3：获取文档 #

## 1：导入jsoup的jar包 ##

<dependency>
         <groupId>org.jsoup</groupId>
          <artifactId>jsoup</artifactId>
          <version>1.11.3</version>
      </dependency>

## 2：从URL中加载文档对象（常用） ##

使用 Jsoup.connect(String url).get()方法获取（只支持 http 和 https 协议）

try {
        
                Document document = Jsoup.connect("http://www.baidu.com").get();
                System.out.println(document.title());
            } catch (IOException e) {
        
                throw new RuntimeException(e);
            }

*  connect(String url)方法创建一个新的 Connection并通过.get()或者.post()方法获得数据。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，我们可以在发送请求时带上请求的头部参数，具体如下：

try {
        
                Document document = Jsoup.connect("http://www.baidu.com")
                        .data("query", "Java")
                        .userAgent("Mozilla")
                        .cookie("auth", "token")
                        .timeout(8000)
                        .post();
                System.out.println(document);
    
            } catch (IOException e) {
        
                throw new RuntimeException(e);
            }

## 3：从本地文件中加载文档对象 ##

可以使用静态的Jsoup.parse(File in, String charsetName) 方法从文件中加载文档。其中in表示路径，charsetName表示编码方式，示例代码：

File input = new File("/tmp/input.html");
    Document doc = Jsoup.parse(input, "UTF-8");
    System.out.println(doc);

## 4：从字符串文本中加载文档对象 ##

使用静态的Jsoup.parse(String html) 方法可以从字符串文本中获得文档对象 Document ，示例代码：

String html = "<html><head><title>First parse</title></head>"
      + "<body><p>Parsed HTML into a doc.</p></body></html>";
    
    Document doc = Jsoup.parse(html);
    System.out.println(doc);

## 5：从片断中获取文档对象 ##

使用Jsoup.parseBodyFragment(String html)方法

String html = "<p>Lorem ipsum.</p>";
    Document doc = Jsoup.parseBodyFragment(html);
    // doc 此时为：<body> <p>Lorem ipsum.</p></body>
    
    Element body = doc.body();
    System.out.println(body);

parseBodyFragment 方法创建一个新的文档，并插入解析过的HTML到body元素中。假如你使用正常的 Jsoup.parse(String html) 方法，通常也能得到相同的结果，但是明确将用户输入作为 body 片段处理是个更好的方式。

Document.body() 方法能够取得文档body元素的所有子元素，与 doc.getElementsByTag(“body”)相同。

# 4:定位选择元素 #

## 1：DOM方式 ##

我们可以利用dom结构的方式，通过标签，id，class等查找到下属元素

### 1：案例代码 ###

// 获取csdn首页所有的链接
            Document doc = Jsoup.connect("http://www.baidu.com").get();
    
            Elements elements = doc.getElementsByTag("body");
            Elements contents = elements.first().getElementsByTag("a");
    
            for (Element content : contents) {
        
                String linkHref = content.attr("href");
                String linkText = content.text();
                System.out.print(linkText + "\t");
                System.out.println(linkHref);
            }

### 2：查找元素-下列方法返回的是Element或Elements ###

*  getElementById(String id)：通过id来查找元素
 *  getElementsByTag(String tag)：通过标签来查找元素
 *  getElementsByClass(String className)：通过类选择器来查找元素
 *  getElementsByAttribute(String key) ：通过属性名称来查找元素，例如查找带有href元素的标签。
 *  siblingElements()：获取兄弟元素。如果元素没有兄弟元素，则返回一个空列表。
 *  firstElementSibling()：获取第一个兄弟元素。
 *  lastElementSibling()：获取最后一个兄弟元素。
 *  nextElementSibling()：获取下一个兄弟元素。
 *  previousElementSibling()：获取上一个兄弟元素。
 *  parent()：获取此节点的父节点。
 *  children()：获取此节点的所有子节点。
 *  child(int index)：获取此节点的指定子节点。

## 2：CSS选择器方式 ##

也可以使用类似于CSS选择器的语法来查找和操作元素，常用的方法为select(String selector)。

### 1：代码实例 ###

Document doc = Jsoup.connect("http://csdn.com").get();
    
    // 获取带有 href 属性的 a 元素
    Elements elements = doc.select("a[href]");
    
    for (Element content : elements) {
        
        String linkHref = content.attr("href");
        String linkText = content.text();
        System.out.print(linkText + "\t");
        System.out.println(linkHref);
    }

select()方法在Document、Element或Elements对象中都可以使用，而且是上下文相关的，因此可实现指定元素的过滤，或者采用链式访问。

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。

### 2：select(String selector)方法参数简介 ###

*  tagname: 通过标签查找元素，例如通过"a"来查找< a >标签。
 *  \#id: 通过ID查找元素，比如通过\#logo查找< p id=“logo”>
 *  .class: 通过class名称查找元素，比如通过.titile查找< p class=“titile”>
 *  ns|tag: 通过标签在命名空间查找元素，比如使用 fb|name 来查找 < fb:name>
 *  \[attribute\]: 利用属性查找元素，比如通过\[href\]查找< a href=“…”>
 *  \[ ^attribute\]: 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
 *  \[ attribute=value\]: 利用属性值来查找元素，比如：\[ width=500\]
 *  \[attribute^=value\], \[attribute$=value\], \[attribute\*=value\]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如通过\[href\*=/path/\]来查找
 *  \[attribute~=regex\]: 利用属性值匹配正则表达式来查找元素，比如通过 img\[src~=(?i).(png|jpe?g)\]来匹配所有的png或者jpg、jpeg格式的图片
 *  \*: 通配符，匹配所有元素

### 3：参数属性组合使用 ###

例如：Elements elements = doc.select(“**div.css\_tr\_event**”);

*  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\[href\]匹配所有带有 href 属性的 a 元素。
 *  任意组合，比如：a\[href\].highlight匹配所有带有 href 属性且class="highlight"的 a 元素。
 *  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,中间有一个空
 *  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

### 4：特殊参数：伪选择器 ###

*  :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§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

# 5:获取数据 #

## 1：获取元素数据 ##

*  attr(String key)：获取单个属性值
 *  attributes()：获取所有属性值
 *  attr(String key, String value)：设置属性值
 *  text()：获取文本内容
 *  text(String value)：设置文本内容
 *  html()：获取元素内的HTML内容
 *  html(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)
 *  id()：获得id值（例：
    
    衣服
    
    ）
 *  className()：获得第一个类选择器值
 *  classNames()：获得所有的类选择器值
 *  tag()：获取元素标签
 *  tagName()：获取元素标签名（如：
    
    、
    
    等）

## 2：操作HTML文本 ##

*  append(String html)：在末尾追加HTML文本
 *  prepend(String html)：在开头追加HTML文本
 *  html(String value)：在匹配元素内部添加HTML文本。

# 6：修改数据 #

> 在解析了一个Document对象之后，你可能想修改其中的某些属性值，并把它输出到前台页面或保存到其他地方，jsoup对此提供了一套非常简便的接口（支持链式写法）。

## 1:设置属性的值 ##

当以下方法针对Element对象操作时，只有一个元素会受到影响。当针对Elements对象进行操作时，可能会影响到多个元素。

*  .attr(String key, String value)：设置标签的属性值。
 *  .addClass(String className)：增加类选择器选项
 *  .removeClass(String className)：删除对应的类选择器

Document doc = Jsoup.connect("http://csdn.com").get();
    
    // 复数，Elements
    Elements elements = doc.getElementsByClass("text");
    // 单数，Element
    Element element = elements.first();
    
    // 复数对象，所有 class="text" 的元素都将受到影响
    elements.attr("name","goods");
    // 单数对象，只有一个元素会受到影响（链式写法）
    element.attr("name","shop")
            .addClass("red");

## 2：修改元素的HTML内容 ##

可以使用Element中的HTML设置方法具体如下：

*  .html(String value)：这个方法将先清除元素中的HTML内容，然后用传入的HTML代替。
 *  .prepend(String value)：在元素前添加html内容。
 *  .append(String value)：在元素后添加html内容。
 *  .wrap(String value)：对元素包裹一个外部HTML内容，将元素置于新增的内容中间。

Document doc = Jsoup.connect("http://csdn.com").get();
    
    Element div = doc.select("div").first();
    div.html("<p>csdn</p>");
    div.prepend("<p>a</p>");
    div.append("<p>good</p>");
    // 输出：<div"> <p>a</p> <p>csdn</p> <p>good</p> </div>
    
    Element span = doc.select("span").first();
    span.wrap("<li><a href='...'></a></li>");
    // 输出: <li><a href="..."> <span>csdn</span> </a></li>

## 3：修改元素的文本内容 ##

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

*  .text(String text) ：清除元素内部的HTML内容，然后用提供的文本代替。
 *  .prepend(String first)：在元素后添加文本节点。
 *  Element.append(String last)：在元素前添加文本节点。

// <div></div>
    Element div = doc.select("div").first();
    
    div.text(" one "); 
    div.prepend(" two ");
    div.append(" three ");
    // 输出: <div> two one three </div>

# 7:其他功能 #

## 1：返回html链接的绝对路径 ##

问题描述：  
  你有一个包含相对URLs路径的HTML文档，现在需要将这些相对路径转换成绝对路径的URLs。

解决方式：

确保在你解析文档时有指定base URI路径。  
然后使用 abs: 属性前缀来取得包含base URI的绝对路径。代码如下：

Document doc = Jsoup.connect("http://www.open-open.com").get();
            Element link = doc.select("a").first();
            // 输出：/
            String relHref = link.attr("href");
            // 输出：http://www.open-open.com/
            String absHref = link.attr("abs:href");

说明：

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

假如你需要取得一个绝对路径，需要在属性名前加 abs: 前缀，这样就可以返回包含根路径的URL地址attr(“abs:href”)。因此在解析HTML文档时，定义base URI非常重要。

## 2：使用代理 ##

当访问某个网页需要使用代理服务器时，可以通过这种方法进行代理设置。后续元素操作就一样了；

Document document = Jsoup.connect("http://csdn.net/")
                    .proxy("12.12.12.12", 1080)    // 使用代理
                    .get();

[a0ad7521fe4a4abb81128a28b47c262c.png]: https://img-blog.csdnimg.cn/a0ad7521fe4a4abb81128a28b47c262c.png