【Android】Jsoup的学习及使用

【Android】Jsoup的学习及使用

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:

img

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ElementNode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)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(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等等

可以查看Selector API参考来了解更详细的内容

发表评论

电子邮件地址不会被公开。 必填项已用*标注

%d 博主赞过: