Android Jsoup的基本使用方式

Jsoup是Java中一个非常实用的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。

Jsoup解析HTML得到一个Document对象，通过操作Document的属性来获取HTML页面内容，所以，先了解一下XML中Node、Element、Document这些概念的区别。

预备概念

Jsoup中的继承关系

public abstract class Node implements Cloneable

public class Element extends Node

public class Document extends Element

从上面的代码可以看出，它们之间有一个树形的继承关系，如下：

Node

文档中的所有内容都可以看做是一个节点，它有很多类型，如：属性节点（Attribute）、注释节点（Note）、文本节点（Text）、元素节点（Element）等

Element

相比节点而言，元素则是一个更小范围的定义。元素继承于节点，是节点的子集，所以一个元素也是一个节点，节点拥有的公有属性和方法在元素中也能使用。

Document

文档继承于元素，指整个HTML文档的源码内容。

相互转换

基于Node、Element和Document之间的“缠绵”关系，可以利用各个类中提供的方法适当转换获取所需对象，以供使用。

解析

解析Html字符串

来自用户输入、一个文件或一个网站的HTML字符串，你可能需要对它进行解析并获取它的内容。校验它的格式是否完整，或者想要修改它。这些都可以通Jsoup实现

我们可以使用静态的Jsoup.parse(String html)方法或者Jsoup.parse(String html, String baseUri)方法来解析这样的html文本

如：

String html = "<html><head><title>First parse</title></head>"
	+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);

parse(String html, String baseUri)方法能将输入的HTML解析为一个新的文档 (Document），参数 baseUri 是用来将相对 URL 转成绝对URL，并指定从哪个网站获取文档。

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body片段

假如你有一个HTML片段(一个不完整的HTML文档) 想对它进行解析。则可以使用静态的Jsoup.parseBodyFragment(String html)方法。

如下：

String html = "<div><p>Lorem ipsum.</p>";
Document doc = Jsoup.parseBodyFragment(html);
Element body = doc.body();

parseBodyFragment 方法创建一个空的文档，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。但这样做可以确保提供的任何糟糕html都能被解析为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。

解析URL

你可能会需要从一个网站获取和解析一个HTML文档，并查找其中的相关数据。可以使用Jsoup.connect(String url)方法来解决。

如下：

Document doc = Jsoup.connect("http://example.com/").get();
String title = doc.title();

注意，connect方法创建了新的Connection。如果从该url获取Html发生错误，则会抛出IOException

Connection接口还提供一个方法链来解决特殊的请求，具体如下：

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

  .data("query", "Java")

  .userAgent("Mozilla")

  .cookie("auth", "token")

  .timeout(3000)

  .post();

这个方法只支持Web URLs (http和https 协议); 假如你需要从一个文件加载，可以使用parse(File in, String charsetName)方法代替。

解析本地文档

当在本机硬盘上有一个HTML文件，需要对它进行解析从中抽取数据或进行修改时，我们可以使用Jsoup.parse(File in, String charsetName, String baseUri)方法。

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

这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误，将抛出IOException

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。

另外还有一个方法parse(File in, String charsetName)，它使用文件的路径做为 baseUri。这个方法适用于如果被解析文件位于网站的本地文件系统，且相关链接也指向该文件系统。

获取数据

用DOM方法来遍历一个文档

如果你要从一个HTML文档中提取数据，并且清楚它的结构，则可以将其解析为Document后，使用类似DOM的方法来操作。

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Element content = doc.getElementById("content");
Elements links = content.getElementsByTag("a");
for (Element link : links) {
  String linkHref = link.attr("href");
  String linkText = link.text();
}

Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下

查找元素

getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key)
Element siblings
- siblingElements()
- firstElementSibling()
- lastElementSibling()
- nextElementSibling()
- previousElementSibling()
Graph
- parent()
- children()
- child(index)

元素数据

attr(String key)获取属性
attr(String key, String value)设置属性
attributes()获取所有属性
id(), className() 和 classNames()
text()获取文本内容
text(String value)设置文本内容
html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
outerHtml()获取元素外HTML内容
data()获取数据内容（例如：script和style标签)
tag() 与 tagName()

操作HTML和文本

append(String html), prepend(String html)
appendText(String text), prependText(String text)
appendElement(String tagName), prependElement(String tagName)
html(String value)

使用选择器语法来查找元素

可以使用Element.select(String selector)和 Elements.select(String selector) 方法实现

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
// 带有href属性的a元素
Elements links = doc.select("a[href]"); 
// 扩展名为.png的图片
Elements pngs = doc.select("img[src$=.png]");
// class等于masthead的div标签
Element masthead = doc.select("div.masthead").first();
// 在h3元素之后的a元素
Elements resultLinks = doc.select("h3.r > a");

这个select方法在Document, Element,或Elements对象中都可以使用。并且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。

这个方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。

选择器语法

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~=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

选择器组合使用

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

伪选择器selectors

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：form input: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§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等等

可以查看Selector API参考来了解更详细的内容

广告时间
我是N0tExpectErr0r，一名广东工业大学的大二学生
欢迎来到我的个人博客，所有文章均在个人博客中同步更新哦
http://blog.N0tExpectErr0r.cn