Java html解析器之Jsoup

最新推荐文章于 2022-08-22 09:01:52 发布

原创最新推荐文章于 2022-08-22 09:01:52 发布 · 3.9k 阅读

CC 4.0 BY-SA版权

文章标签：

6 篇文章

订阅专栏

本文介绍了Jsoup这一Java的HTML解析器，它提供解析HTML、操作DOM的API，类似jQuery方法，还能自动校正HTML错误语法。文中说明了如何将其引入Maven项目，以及通过多种方式输入HTML进行解析，还提及查找元素、获取数据、URL等操作。

引入maven项目：

<dependency>
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.12.1</version>
</dependency>

Jsoup：通过该类，可传入url、字符串、输入流、文件的方式输入html，解析后会返回Document表示html文档，然后进行DOM操作。
- Jsoup.parse(String html)：从字符串中获取html并解析
- Jsoup.parse(String html,String baseUri)：baseUri指定html中相对地址的基址，当获取相对地址的绝对地址时有用。如果html中含有base元素时或不需要该功能，可不用该方法。
- Jsoup.connect(String url)：从url上获取，例子如下：
```
Document doc = Jsoup.connect("http://example.com/").get();
String title = doc.title();
//更复杂的例子
Document doc = Jsoup.connect("http://example.com")
  .data("query", "Java")
  .userAgent("Mozilla")
  .cookie("auth", "token")
  .timeout(3000)
  .post();
```
  这种方式已默认设置好了baseurl
- Jsoup.parse(File in, String charsetName, String baseUri)：从文件中获取html
查找元素：DOM方式和css选择器方式
获取数据
- Use DOM methods to navigate a document
- Extract attributes, text, and HTML from elements
获取URL：Element类的attr("href")方法获取url；加上前缀abs后，会结合之前设置的baseUri解析成绝对地址，如attr("abs:href")。如果没有设置则返回空。
修改DOM和其他内容，见参考文献

参考