Jsoup入门

最新推荐文章于 2023-03-21 09:21:09 发布

原创最新推荐文章于 2023-03-21 09:21:09 发布 · 1.3k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#java #Jsoup #网页爬虫

java 专栏收录该内容

3 篇文章

订阅专栏

本文详细介绍了如何使用Jsoup进行网页内容抓取，包括下载jar包、Maven导入、API文档查阅以及核心方法使用。重点展示了Jsoup强大的select方法，能够高效地筛选网页元素。

最近项目需要用到Jsoup抓取网页相关内容，所以稍微了解一下，学习下Jsoup的简单使用。

首先下载可以在Jsoup官网（http://jsoup.org/download）下载Jsoup的jar包，目前最新的是jsoup-1.8.3.jar，当然也可以直接在maven的pom文件中直接导入，
<dependency>
  
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.8.3</version>
</dependency>
学习Jsoup最好看看其API文档：http://jsoup.org/apidocs/

废话不多说，直接上代码：
package com.test;

import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class TestJsoup {
   public static void main(String[] args) throws IOException {
       Document doc = Jsoup.connect("http://ggjd.cnstock.com/gglist/search/jgjd/0").get(); // 连接，获取Document
//       System.out.println(doc); // 输入网页源代码
//       System.out.println(doc.title()); // 输出html标题
//       System.out.println(doc.text()); // 输入test内容
       /**
       * Jsoup提供了很多获取Element的方法，具体可以查询API文档
       */
       Element element = doc.getElementById("#xx"); // 根据id获取Element元素
       Elements elements = doc.getElementsByAttributeValue("class", "red");
       for (Element element2 : elements) {
           System.out.println(element2);
       }
       /**Jsoup的select选择器*/
       Elements elements2 = doc.select("href*=/path/");
   }
}

我觉得Jsoup最强大的是select方法，能应对各种苛刻的条件，比如（ Elements elements2 = doc.select("href*=/path/");）无法用getElementXXX获取到。太强大了，我喜欢这个方法，感觉就是操作Jquery一样

下面介绍下select方法：

soup 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：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