Jsoup

Jsoup 是一款轻量高效的 html 文档解析工具，可类比 xml 中的 dom4j 、jdom

Jsoup中的基本类

• <b>Document</b>

Html 整个文档在内容中的数据结构，继承 Element

• <b>Element</b>

标记元素的数据结构 ，继承 Node

• <b>Elements</b>

Element 的集合，继承 ArrayList<Element>

• <b>Node</b>

节点，是 Element，Document 的超类，定义了节点的基本方法

类 Jsoup 解析 HTML 文档的静态方法

parse method

<b>jsoup 对于获取 html 元素有三种方式：</b>

1. 传统的基于元素 ID，CLASS，TAGNAME 获取匹配元素的方法；接口 doc.getElementByXXX()
2. 基于 css selector 的元素定位获取方法；接口 doc.select(cssQueryString)
3. 基于元素间的父子兄弟姊妹关系获取；e.parent()，e.children()，e.child(int index)，e.siblingElements()，e.firstElementSibling()，lastElementSibling()，nextElementSibling()，previousElementSibling()

类Selector 的定位查询 HTML 元素方法

select method

<b>html 中 selector == xml 中 xpath == database 中 select sql</b>

点此详见 jsoup

• 一个小栗子

  @Test
    public void test() throws IOException {
        File f = new File("resource/test.html");
        Document doc = Jsoup.parse(f,"utf-8");
        //JavaScript 链接
        Elements sLinks = doc.select("script[src]");
        for(Element e : sLinks){
            System.out.println("javascript link: "+e.attr("src"));
        }
        hr();
        //javaScript 内容
        Elements sData = doc.select("script");
        for(Element e : sData){
            String data = e.data();
            if(data != null && data.trim().length() > 0){
                System.out.println("javascript data: "+data);
            }
        }
        hr();
        //css 链接
        Elements cLinks = doc.select("link[rel='stylesheet']");
        for(Element e : cLinks){
            System.out.println("css link: "+e.attr("href"));
        }
        hr();
        //css 内容
        Elements cData = doc.select("style");
        for(Element e : cData){
            String data = e.data();
            if(data != null && data.trim().length() > 0){
                System.out.println("css data:"+data);
            }
        }
        hr();
        //body 下 javascript 内容
        Elements bContent = doc.select("body");
        for(Element e : bContent){
            System.out.println("body javascript data: "+e.data());
        }
        hr();
        //body 下 所有文本内容(包含子孙标记的文本内容)
        System.out.println("body text: "+bContent.get(0).text());
        hr();
        //<a>标记的所有链接地址
        Elements aHref = doc.select("a[href]");
        for(Element e : aHref){
            System.out.println("a href: "+e.attr("href"));
        }
        hr();
        //<a>标记的以http协议的地址
        Elements aHttp = doc.select("a[href^=http]");
        for(Element e : aHttp){
            System.out.println("a http href : "+e.attr("abs:href"));
        }
        hr();
    }
    
    public static void hr(){
        System.out.println("---------------------------------------------------------------");
    }