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。它提供了一套非常省力的API，可通过DOM，CSS以及类似于JQuery的操作方法来取出和操作数据。今天我们就开始jsoup的学习。
jsoup解析html
jsoup的主要功能如下：
-
从一个URL，文件或字符串中解析HTML；
-
使用DOM或CSS选择器来查找、取出数据；
-
可操作HTML元素、属性、文本；
jsoup测试项目的结构如下，首先要下载jsoup的jar包：https://jsoup.org/download
一、 JsoupTest中我们从网址、文件和字符串中解析html。
package com.huhx.jsoup; import java.io.File; import java.io.IOException; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.select.Elements; public class JsoupTest { static String html = "<html><head><title>First parse</title></head>" + "<body><p id='parseHtml'><font>Parsed HTML into a doc.</font></p></body></html>"; static String fileName = "file/jsoup.html"; static String url = "http://www.baidu.com"; // 从url中解析 public static void readFromUrl(String url) { try { Document document = Jsoup.connect(url).get(); System.out.println(document.title()); } catch (IOException e) { e.printStackTrace(); } } // 从文件中解析 public static void readFromFile(String file) { File input = new File(file); try { Document document = Jsoup.parse(input, "UTF-8", ""); System.out.println(document.getElementsByTag("p").text()); // 通过tag名得到元素 System.out.println(document.getElementById("divid").text()); // 通过id System.out.println(document.getElementsByClass("divclass").attr("id")); // 通过class System.out.println(document.getElementsByAttribute("href").attr("id")); // 通过属性 } catch (IOException e) { e.printStackTrace(); } } // 从字符串中解析 public static void readFromString(String string) { Document document = Jsoup.parse(string); Elements element = document.getElementsByTag("p"); System.out.println(element.text()); System.out.println(element.html()); System.out.println(element.attr("id")); } public static void main(String[] args) { readFromString(html); System.out.println("------------------------------------------------------------"); readFromFile(fileName); System.out.println("------------------------------------------------------------"); readFromUrl(url); } }
二、 jsoup.html的内容如下：
<!doctype html> <html lang="en"> <head> <title>Document</title> </head> <body> <p> <font>Hello World.</font> </p> <div id="divid">huhx div id</div> <div class="divclass" id="divclassid">huhx div class</div> <a href="http://huhx.com" id="huhx">Hello huhx</a> </body> </html>
三、运行结果如下：
Parsed HTML into a doc. <font>Parsed HTML into a doc.</font> parseHtml ------------------------------------------------------------ Hello World. huhx div id divclassid huhx ------------------------------------------------------------ 百度一下，你就知道