HTML&XML解析器--Jsoup

HTML&XML解析器

一.Jsoup概述

1. Jsoup简介

   jsoup是一款Java的HTML解析器，可直接解析某个URL地址、HTML文本内容，它提供一套非常省力的API，可以通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

   同样，Jsoup能解析HTML，也可以解析XML

2. Jsoup主要功能

   • 从一个URL，文件或字符串中解析HTML(XML)
   • 使用DOM或CSS的选择器来查找和取出数据
   • 可以操作HTML/XML的元素，属性和文本

3. Jsoup主要类

   • Jsoup：工具类，可以解析html或xml文档，返回一个Document
   • Document：文档对象，代表内存中的DOM树
   • Element：元素对象
   • Elements：元素对象Element的集合，可以当做ArrayList<Element>来使用
   • Node：节点对象，是Document和Element的父类

二.Jsoup的应用

1. 快速入门步骤

   • 导入相关的jar包
   • 获取Document对象
   • 获取对应标签的Element对象
   • 获取数据

   XML文件student.xml

   <students>
       <student number="0001">
           <name id="itcast">
               <xing>张</xing>
               <ming>三</ming>
           </name>
           <age>18</age>
           <sex>male</sex>
       </student>
       <student number="0002">
           <name>jack</name>
           <age>18</age>
           <sex>female</sex>
       </student>
   
   </students>
   

package com.zzy.www.JsoupTest;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.File;
import java.io.IOException;

public class JsoupDemo1 {
    public static void main(String[] args) throws IOException {
        String xmlPath = JsoupDemo1.class.getClassLoader().getResource("student.xml").getPath();
        // 获取Document对象
        Document document = Jsoup.parse(new File(xmlPath), "utf-8");

        // 获取对应标签的Element对象 获取name标签
        Elements ele = document.getElementsByTag("name");

//        System.out.println(ele);

        // 获取第一个name的Element对象
        Element e1 = ele.get(0);
        System.out.println(e1);
    }
}

2. 相关对象的API使用介绍

   • Jsoup

     Jsoup类是任何Jsoup程序的入口点，并且提供了从各种来源加载和解析HTML/XML文档的方法。

     主要方法有如下：

     • static Connection connect(String url)：创建并返回URL的连接
     • static Document parse(File in, String charsetName)：将制定的字符集文件解析成文档
     • static Document parse(String html)：将给定的html代码解析成文档
     • static String clean(String bodyHtml,Whitelist whitelist)：从输入HTML返回安全的HTML，通过解析输入HTML并通过允许的标签和属性的白名单进行过滤。

   • Document

     Document代表了内存中的dom树。

     主要方法有：

     • Element getElementById(String id)：根据id属性值获取唯一的element对象
     • Elements getElementByTag(String tagName)：根据标签名获取元素对象的集合
     • Elements getElementByAttribute(String key)：根据属性名称获取元素对象集合
     • Elements getElementByAttributeValue(String key, String value)：根据对应的属性名和属性值获取元素对象集合

     public class JsoupDemo2 {
         public static void main(String[] args) throws IOException {
             String xmlPath = JsoupDemo2.class.getClassLoader().getResource("student.xml").getPath();
     
             // 获取Document对象
             Document doc = Jsoup.parse(new File(xmlPath), "utf-8");
     
             // 根据ID值获取Element对象
             Element eleId = doc.getElementById("itcast");
             System.out.println(eleId);
             System.out.println("=================");
     
             // 获取所有的student对象
             // 通过标签名获取
             Elements eleStudents = doc.getElementsByTag("student");
             System.out.println(eleStudents);
             System.out.println("---------------------");
     
             // 获取属性名为id的元素对象
             Elements eleAttrId = doc.getElementsByAttribute("id");
             System.out.println(eleAttrId);
             System.out.println("+++++++++++++++++++++");
     
             // 获取属性名为number，属性值为0002的元素对象
             Elements ele = doc.getElementsByAttributeValue("number", "0002");
             System.out.println(ele);
         }
     }
     

• Elements

  Element对象的集合，当做ArrayList<Element>处理

• Element

  Element代表了元素对象

  主要有以下几类方法：

  1. 获取子元素对象
     • Element getElementById(String id)：根据id属性值获取唯一的element对象
     • Elements getElementByTag(String tagName)：根据标签名获取元素对象的集合
     • Elements getElementByAttribute(String key)：根据属性名称获取元素对象集合
     • Elements getElementByAttributeValue(String key, String value)：根据对应的属性名和属性值获取元素对象集合
  2. 获取属性值
     • String attr(String key)：根据属性名称获取属性值
  3. 获取文本内容
     • String text()：获取文本内容
     • String html()：获取标签体的所有内容（包括子标签的字符串内容）

  public class JsoupDemo3 {
      public static void main(String[] args) throws IOException {
          String xmlPath = JsoupDemo1.JsoupDemo2.class.getClassLoader().getResource("student.xml").getPath();
  
          // 获取Document对象
          Document doc = Jsoup.parse(new File(xmlPath), "utf-8");
  
  
          // 先获取Element元素对象
          Elements eles = doc.getElementsByTag("student");
          Element ele = eles.get(0);
  
          // 获取Element元素的属性值
          String attr = ele.attr("number");
          System.out.println(attr);   // 输出：0001
          System.out.println("--------------");
  
          // 获取元素的子元素对象
          Elements ele1 = ele.getElementsByTag("name");
          System.out.println(ele1);
  
          // 获取文本内容
          String txt = ele1.text();
          System.out.println(txt); // 输出：张 三
          System.out.println("===============");
  
          String html = ele1.html();
          System.out.println(html);
          // 输出：
  //            <xing>
  //                张 
  //                </xing> 
  //            <ming>
  //                三 
  //                </ming>
      }
  }
  

• 还可以使用快捷查询方式，使用选择器Selector

  • static Elements select(String cssQuery)：详细语法需要查看Jsoup官方文档https://jsoup.org/apidocs/org/jsoup/select/Selector.html

  public class JsoupDemo4 {
      public static void main(String[] args) throws IOException {
          String xmlPath = JsoupDemo4.class.getClassLoader().getResource("student.xml").getPath();
  
          Document doc = Jsoup.parse(new File(xmlPath), "utf-8");
  
          // 通过标签名查找
          Elements eles = doc.select("name");
          System.out.println(eles);
          System.out.println("----------------");
  
          // 通过id值查找
          Elements eles1 = doc.select("#itcast");
          System.out.println(eles1);
          System.out.println("================");
  
          // 通过属性值查找 number=0002
          Elements eles2 = doc.select("[number='0002']");
          System.out.println(eles2);
      }
  }
  

3. 学习链接

   https://blog.csdn.net/weixin_34129696/article/details/91885803