1.解析方式
（1）从字符串解析
|
1
2
3
|
String html = "<html><head><title>First parse</title></head>" + "<body><p>Parse HTML into a doc.</p></body></html>";Document doc = Jsoup.parse(html); |
（2）从URL获取解析
|
1
2
|
Document doc = Jsoup.connect("http://example.com/").get();String title = doc.title(); |
|
1
2
3
4
5
6
|
Document doc = Jsoup.connect("http://example.com") .data("query", "Java") .userAgent("Mozilla") .cookie("auth", "token") .timeout(3000) .post(); |
（3）从文件解析
|
1
2
|
File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/"); |
2.DOM方式遍历元素
（1）搜索元素
|
1
2
3
4
5
6
|
getElementById(String id)getElementByTag(String tag)getElementByClass(String className)getElementByAttribute(String key)siblingElements(), firstElementSibling(), lastElementSibling(), nextElementSibling(), previousElementSibling()parent(), children(), child(int index) |
（2）获取元素数据
|
1
2
3
4
5
6
7
8
|
attr(String key) – 获取key属性attributes() – 获取属性id(), className(), classNames()text() – 获取文本内容html() – 获取元素内部HTML内容outerHtml() – 获取包括此元素的HTML内容data() – 获取<srcipt>或<style>标签中的内容tag(), tagName() |
3.选择器语法（jsoup与其他解析器的区别就是可以使用类似jquery的选择器语法来搜索及过滤出所需的元素）
（1）基本选择器
|
1
2
3
4
5
6
7
8
9
10
|
tagname: 搜索tag标签的元素ns|tag: 搜索命名空间内tag标签的元素，如fb|name：<fb:name>#id: 搜索有指定id的元素.class: 搜索有指定class的元素[attribute]: 搜索有attrribute属性的元素[^attri]: 搜索有以attri开头的属性的元素[attr=value]: 搜索有指定属性及其属性值的元素[attr^=value], [attr$=value], [attr*=value]: 搜索有指定attr属性，且其属性值是以value开头、结尾或包括value的元素，如[href*=/path/][attr~=regex]: 搜索有指定attr属性，且其属性值符合regex正则表达式的元素*: 搜索所有元素 |
（2）选择器组合
|
1
2
3
4
5
6
7
8
9
|
el#id: 同时指定标签名称和idel.class: 同时指定标签名称和classel[attr]: 同时指定标签名称和及其中所含属性的名称上述3项的任意组合，如a[href].highlightancestor child: 包含，如div.content p，即搜索<div class=”content”>下含有<p>标签的元素ancestor > child: 直接包含，如div.content > p，即搜索直属<div class="content">节点下的<p>标签元素；div.content > *，即搜索<div class="content">下的所有元素siblingA + siblingB: 直接遍历，如div.head + div，即搜索<div class="head"><div>的元素，其中不再包含子元素siblingA ~ siblingX: 遍历，如h1 ~ p，即<h1>下直接或间接有<p>的元素el, el, el: 组合多个选择器，搜索满足其中一个选择器的元素 |
（3）伪选择器（条件选择器）
|
1
2
3
4
5
6
7
8
9
10
|
:lt(n): 搜索n号元素之前的元素:gt(n): 搜索n号元素之后的元素:eq(n): 搜索n号元素:has(seletor): 搜索符合指定选择器的元素:not(seletor): 搜索不符合指定选择器的元素:contains(text): 搜索包含指定文本的元素，区分大小写:containsOwn(text): 搜索直接指包含指定文本的元素:matches(regex): 搜索符合指定正则表达式的元素:matchesOwn(regex): 搜索本元素文本中符合指定正则表达式的元素注意：以上伪选择器的索引中，第一个元素位于索引0，第二个元素位于索引1，…… |
4.获取元素的属性、文本和HTML
|
1
2
3
|
获取元素的属性值：Node.attr(String key)获取元素的文本，包括与其组合的子元素：Element.text()获取HTML：Element.html()或Node.outerHtml() |
5.操作URL
|
1
2
|
Element.attr("href") – 直接获取URLElement.attr("abs:href")或Element.absUrl("href") – 获取完整URL。如果HTML是从文件或字符串解析过来的，需要调用Jsoup.setBaseUri(String baseUri)来指定基URL，否则获取的完整URL只会是空字符串 |
6.测试例子
|
1
2
|
li[class=info] a[class=Author] - 空格前后表示包含关系，即表示li里的adiv[class=mod mod-main mod-lmain]:contains(教学反思) - div中包含"教学反思"，适合同时有多个同名DIV的情况 |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
/* previousSibling()获取某标签前面的代码 nextSibling()获取某标签后的代码 如： <form id=form1> 第一名：Lily <br/> 第二名：Tom <br/> 第三名：Peter <br/> </form>*/Elements items = doc.select("form[id=form1]");Elements prevs = items.select("br");for(Element p : prevs){ String prevStr = p.previousSibling().toString().trim());} |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
/* 最常用的链接抓取*/String itemTag = "div[class=mydiv]";String linkTag = "a"Elements items = doc.select(itemTag);Elements links = items.select(linkTag);for(Element l : links){ String href = l.attr("abs:href");//完整Href String absHref = l.attr("href");//相对路径 String text = l.text(); String title = l.attr("title");} |
7.jsoup在线API
http://jsoup.org/apidocs/