Jsoup中文api内容简单整理

中文api地址：jsou中文

Jsoup

1.解析一个文档：

文档由多个Elements和TextNodes组成 (以及其它辅助nodes)

java.lang.Object

org.jsoup.nodes.Attribute (implements java.lang.Cloneable, java.util.Map.Entry<K,V>)

- org.jsoup.nodes.BooleanAttribute
org.jsoup.nodes.Attributes (implements java.lang.Cloneable, java.lang.Iterable<T>)
org.jsoup.nodes.Document.OutputSettings (implements java.lang.Cloneable)
org.jsoup.nodes.Entities
org.jsoup.nodes.Node (implements java.lang.Cloneable)

- org.jsoup.nodes.Comment
- org.jsoup.nodes.DataNode
- org.jsoup.nodes.DocumentType
- org.jsoup.nodes.Element

- - org.jsoup.nodes.Document
  - org.jsoup.nodes.FormElement
  - org.jsoup.nodes.PseudoTextElement
- org.jsoup.nodes.TextNode

- - org.jsoup.nodes.CDataNode
- org.jsoup.nodes.XmlDeclaration

Node类: 基础，抽象节点模型。元素，文档，注释等都是Node实例。

Element类: HTML元素由标签名称，属性和子节点（包括文本节点和其他元素）组成。从元素中，您可以提取数据，遍历节点图并操作HTML。

Jsoup类：jsoup功能的核心公共接入点。

parse方法：

staticDocument parse(Stringhtml)

Parse HTML into a Document.

这方法能够将输入的HTML解析为一个新的文档 (Document）

只要解析的不是空字符串，就能返回一个结构合理的文档，其中包含(至少) 一个head和一个body元素。一旦拥有了一个Document，你就可以使用Document中适当的方法或它父类 Element和Node中的方法来取得相关数据。

解析一个html文档：

Stringhtml = "<html><head><title>Firstparse</title></head>"

+ "<body>Parsed HTML intoa doc.</body></html>";

// 其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果，无论HTML//式是否完整

Document doc = Jsoup.parse(html);

解析一个body片段：

Stringhtml = "<div>Lorem ipsum.";

Document doc = Jsoup.parseBodyFragment(html);

Elementbody = doc.body();

parseBodyFragment 方法创建一个空壳的文档，并插入解析过的HTML到body元素中。假如你使用正常的 Jsoup.parse(String html) 方法，通常你也可以得到相同的结果，但是明确将用户输入作为 body片段处理，以确保用户所提供的任何糟糕的HTML都将被解析成body元素。

Document.body() 方法能够取得文档body元素的所有子元素，与 doc.getElementsByTag("body")相同。

从一个URL加载一个Document:

static Connection connect(Stringurl)

创建一个到URL的新连接。用于获取和解析HTML页面。可能会有IOException

Document get()

以GET方式执行请求，并解析结果。

String title()

获取文档标题元素的字符串内容。

Connection data(Stringkey, String value)

添加请求数据参数。请求参数在GET的请求查询字符串中发送，在POST的请求正文中发送。一个请求可能有多个相同名称的值。

Connection userAgent(StringuserAgent)

设置请求用户代理标题。

Connection cookie(Stringname, String value)

设置要在请求中发送的Cookie

Connection timeout(int millis)

设置请求超时（连接和读取）

Connection接口还提供一个方法链来解决特殊请求:

Document doc =Jsoup.connect("http://example.com")

.data("query", "Java")

.userAgent("Mozilla")

.cookie("auth", "token")

.timeout(3000)

.post();

从文件加载一个文档：

static Document parse(InputStream in, String charsetName, StringbaseUri)

方法用来加载和解析一个HTML文件baseUri 参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。

File input = new File("/tmp/input.html");

Document doc =Jsoup.parse(input, "UTF-8", "http://example.com/");

使用DOM方法来遍历一个文档：

File input = newFile("/tmp/input.html");

Document doc =Jsoup.parse(input, "UTF-8", "http://example.com/");//通过本地读取文档。

Element content = doc.getElementById("content");//通过id获取元素

Elements links =content.getElementsByTag("a");//通过标签获取元素

for (Element link : links) {

String linkHref =link.attr("href");//通过属性获取元素

String linkText = link.text();//获取文档内容

}

使用选择器查找元素：

Elements select(StringcssQuery)

查找与选择器CSS查询匹配的元素，并将此元素作为起始上下文。匹配的元素可能包含此元素或其任何子元素。

Select选择器用法：

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

2、Selector选择器组合使用语法

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

描述

测试的HTML代码

select写法

结果

通过标签名查找

33

25

Elements elements = doc.select("span");

注：通过标签来查找，直接写 "标签名" 就好，不需要尖括号

通过 id 查找

36

20

Elements elements = doc.select("#mySpan");

注：通过id来查找，用 #

通过 class查找

36

20

Elements elements = doc.select(".myClass");

注：通过class来查找，用 .

通过属性名查找

36

36

Elements elements = doc.select("span[class=class1]span[id=id1]");

注：查询规则为标签名[属性名=属性值]，

标签名可写可不写，多个属性即多个[]，如上

通过属性名前缀查找

36

22

Elements elements = doc.select("span[^cl]");

注：查询规则为标签名[^属性名前缀] ，

标签名可写可不写，多个属性即多个[]

通过属性名+正则表达式查找

36

22

Elements elements = doc.select("span[class~=^AB]");

注：查询规则为标签名[属性名~=正则表达式]，

标签名可写可不写，多个属性即多个[]

通过文本内容查找

36

22

Elements elements = doc.select("span:contains(3)");

注：查询规则为标签名:contains(文本值)

通过文本内容+正则表达式查找

36

22

Elements elements = doc.select("span:matchesOwn(^3)");

注：查询规则为标签名:matchesOwn(正则表达式)

3、Selector伪选择器语法

: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：forminput: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。

。

从元素抽取属性，文本和HTML:

要取得一个属性的值，可以使用Node.attr(String key) 方法

对于一个元素中的文本，可以使用Element.text()方法

对于要取得元素或属性中的HTML内容，可以使用Element.html(), 或 Node.outerHtml()方法

String html ="An <ahref='http://example.com/'>example</a>link.";

Document doc =Jsoup.parse(html);//解析HTML字符串返回一个Document实现

Element link =doc.select("a").first();//查找第一个a元素

String text =doc.body().text(); // "An example link"//取得字符串中的文本

String linkHref = link.attr("href");// "http://example.com/"//取得链接地址

String linkText = link.text();// "example""//取得链接地址中的文本

String linkOuterH =link.outerHtml();

// "<ahref="http://example.com">example</a>"

String linkInnerH =link.html(); // "example"//取得链接内的html内容

处理URLS：

你有一个包含相对URLs路径的HTML文档，需要将这些相对路径转换成绝对路径的URLs。

Document doc =Jsoup.connect("http://www.open-open.com").get();

Element link =doc.select("a").first();

String relHref =link.attr("href"); // == "/"

String absHref =link.attr("abs:href"); // http://www.open-open.com/

在HTML元素中，URLs经常写成相对于文档位置的相对路径： <a href="/download">...</a>. 当你使用 Node.attr(String key) 方法来取得a元素的href属性时，它将直接返回在HTML源码中指定定的值。

假如你需要取得一个绝对路径，需要在属性名前加 abs: 前缀。这样就可以返回包含根路径的URL地址attr("abs:href")

因此，在解析HTML文档时，定义base URI非常重要。

如果你不想使用abs: 前缀，还有一个方法能够实现同样的功能 Node.absUrl(Stringkey)。

Jsoup中文api内容简单整理

猜你喜欢