0
0

Jsoup使用教程以及使用案例

文章目录

1：什么是Jsoup

1：Jsoup概述

jsoup 是一款基于 Java 的HTML解析器，它提供了一套非常省力的API，不但能直接解析某个URL地址、HTML文本内容，而且还能通过类似于DOM、CSS或者jQuery的方法来操作数据，所以 jsoup 也可以被当做爬虫工具使用，从网站获取dom结构，从而解析下载数据。

2：Jsoup能做什么

  • 从 URL、文件或字符串中抓取和解析HTML（爬虫）
  • 使用DOM 遍历或 CSS 选择器查找和提取数据
  • 操作HTML 元素、属性和文本
  • 根据安全列表清理用户提交的内容，以防止XSS攻击
  • 输出整洁的网页

2：Jsoup相关概念

Jsoup很多概念和js类似，可参照对比理解

  • Document ：文档对象。每份HTML页面都是一个文档对象，Document 是 jsoup 体系中最顶层的结构。
  • Element：元素对象。一个 Document 中可以着包含着多个 Element 对象，可以使用 Element 对象来遍历节点提取数据或者直接操作HTML。
  • Elements：元素对象集合，类似于List。
  • Node：节点对象。标签名称、属性等都是节点对象，节点对象用来存储数据。
  • 类继承关系：Document 继承自 Element(class Document extends Element) ，Element 继承自 Node(class Element extends Node)。
  • 一般执行流程：先获取 Document 对象，然后获取 Element 对象，最后再通过 Node 对象获取数据。在这里插入图片描述

3：获取文档

1：导入jsoup的jar包

<!-- jsoup --><dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.11.3</version></dependency>

2：从URL中加载文档对象（常用）

使用 Jsoup.connect(String url).get()方法获取（只支持 http 和 https 协议）

try{Document document =Jsoup.connect("http://www.baidu.com").get();System.out.println(document.title());}catch(IOException e){thrownewRuntimeException(e);}
  • connect(String url)方法创建一个新的 Connection并通过.get()或者.post()方法获得数据。如果从该URL获取HTML时发生错误，便会抛出 IOException，应适当处理。
  • Connection 接口还提供一个方法链来解决特殊请求，我们可以在发送请求时带上请求的头部参数，具体如下：
try{Document document =Jsoup.connect("http://www.baidu.com").data("query","Java").userAgent("Mozilla").cookie("auth","token").timeout(8000).post();System.out.println(document);}catch(IOException e){thrownewRuntimeException(e);}

3：从本地文件中加载文档对象

可以使用静态的Jsoup.parse(File in, String charsetName) 方法从文件中加载文档。其中in表示路径，charsetName表示编码方式，示例代码：

File input =newFile("/tmp/input.html");Document doc =Jsoup.parse(input,"UTF-8");System.out.println(doc);

4：从字符串文本中加载文档对象

使用静态的Jsoup.parse(String html) 方法可以从字符串文本中获得文档对象 Document ，示例代码：

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

5：从片断中获取文档对象

使用Jsoup.parseBodyFragment(String html)方法

String html ="<p>Lorem ipsum.</p>";Document doc =Jsoup.parseBodyFragment(html);// doc 此时为：<body> <p>Lorem ipsum.</p></body>Element body = doc.body();System.out.println(body);

parseBodyFragment 方法创建一个新的文档，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，通常也能得到相同的结果，但是明确将用户输入作为 body 片段处理是个更好的方式。

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。

4:定位选择元素

1：DOM方式

我们可以利用dom结构的方式，通过标签，id，class等查找到下属元素

1：案例代码

// 获取csdn首页所有的链接Document doc =Jsoup.connect("http://www.baidu.com").get();Elements elements = doc.getElementsByTag("body");Elements contents = elements.first().getElementsByTag("a");for(Element content : contents){String linkHref = content.attr("href");String linkText = content.text();System.out.print(linkText +"\t");System.out.println(linkHref);}

2：查找元素-下列方法返回的是Element或Elements

  • getElementById(String id)：通过id来查找元素
  • getElementsByTag(String tag)：通过标签来查找元素
  • getElementsByClass(String className)：通过类选择器来查找元素
  • getElementsByAttribute(String key) ：通过属性名称来查找元素，例如查找带有href元素的标签。
  • siblingElements()：获取兄弟元素。如果元素没有兄弟元素，则返回一个空列表。
  • firstElementSibling()：获取第一个兄弟元素。
  • lastElementSibling()：获取最后一个兄弟元素。
  • nextElementSibling()：获取下一个兄弟元素。
  • previousElementSibling()：获取上一个兄弟元素。
  • parent()：获取此节点的父节点。
  • children()：获取此节点的所有子节点。
  • child(int index)：获取此节点的指定子节点。

2：CSS选择器方式

也可以使用类似于CSS选择器的语法来查找和操作元素，常用的方法为select(String selector)。

1：代码实例

Document doc =Jsoup.connect("http://csdn.com").get();// 获取带有 href 属性的 a 元素Elements elements = doc.select("a[href]");for(Element content : elements){String linkHref = content.attr("href");String linkText = content.text();System.out.print(linkText +"\t");System.out.println(linkHref);}

select()方法在Document、Element或Elements对象中都可以使用，而且是上下文相关的，因此可实现指定元素的过滤，或者采用链式访问。

select() 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。

2：select(String selector)方法参数简介

  • tagname: 通过标签查找元素，例如通过"a"来查找< a >标签。
  • #id: 通过ID查找元素，比如通过#logo查找< p id=“logo”>
  • .class: 通过class名称查找元素，比如通过.titile查找< p class=“titile”>
  • ns|tag: 通过标签在命名空间查找元素，比如使用 fb|name 来查找 < fb:name>
  • [attribute]: 利用属性查找元素，比如通过[href]查找< a href=“…”>
  • [ ^attribute]: 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
  • [ attribute=value]: 利用属性值来查找元素，比如：[ width=500]
  • [attribute^=value], [attribute$=value], [attribute*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如通过[href*=/path/]来查找
  • [attribute=regex]: 利用属性值匹配正则表达式来查找元素，比如通过 img[src=(?i).(png|jpe?g)]来匹配所有的png或者jpg、jpeg格式的图片
  • *: 通配符，匹配所有元素

3：参数属性组合使用

例如：Elements elements = doc.select(“div.css_tr_event”);

  • 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]匹配所有带有 href 属性的 a 元素。
  • 任意组合，比如：a[href].highlight匹配所有带有 href 属性且class="highlight"的 a 元素。
  • 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,中间有一个空
  • 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

4：特殊参数：伪选择器

  • :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

5:获取数据

1：获取元素数据

  • attr(String key)：获取单个属性值
  • attributes()：获取所有属性值
  • attr(String key, String value)：设置属性值
  • text()：获取文本内容
  • text(String value)：设置文本内容
  • html()：获取元素内的HTML内容
  • html(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)
  • id()：获得id值（例：衣服）
  • className()：获得第一个类选择器值
  • classNames()：获得所有的类选择器值
  • tag()：获取元素标签
  • tagName()：获取元素标签名（如：、 等）

2：操作HTML文本

  • append(String html)：在末尾追加HTML文本
  • prepend(String html)：在开头追加HTML文本
  • html(String value)：在匹配元素内部添加HTML文本。

6：修改数据

在解析了一个Document对象之后，你可能想修改其中的某些属性值，并把它输出到前台页面或保存到其他地方，jsoup对此提供了一套非常简便的接口（支持链式写法）。

1:设置属性的值

当以下方法针对Element对象操作时，只有一个元素会受到影响。当针对Elements对象进行操作时，可能会影响到多个元素。

  • .attr(String key, String value)：设置标签的属性值。
  • .addClass(String className)：增加类选择器选项
  • .removeClass(String className)：删除对应的类选择器
Document doc =Jsoup.connect("http://csdn.com").get();// 复数，ElementsElements elements = doc.getElementsByClass("text");// 单数，ElementElement element = elements.first();// 复数对象，所有 class="text" 的元素都将受到影响
elements.attr("name","goods");// 单数对象，只有一个元素会受到影响（链式写法）
element.attr("name","shop").addClass("red");

2：修改元素的HTML内容

可以使用Element中的HTML设置方法具体如下：

  • .html(String value)：这个方法将先清除元素中的HTML内容，然后用传入的HTML代替。
  • .prepend(String value)：在元素前添加html内容。
  • .append(String value)：在元素后添加html内容。
  • .wrap(String value)：对元素包裹一个外部HTML内容，将元素置于新增的内容中间。
Document doc =Jsoup.connect("http://csdn.com").get();Element div = doc.select("div").first();
div.html("<p>csdn</p>");
div.prepend("<p>a</p>");
div.append("<p>good</p>");// 输出：<div"> <p>a</p> <p>csdn</p> <p>good</p> </div>Element span = doc.select("span").first();
span.wrap("<li><a href='...'></a></li>");// 输出: <li><a href="..."> <span>csdn</span> </a></li>

3：修改元素的文本内容

对于传入的文本，如果含有像 <, > 等这样的字符，将以文本处理，而非HTML。

  • .text(String text) ：清除元素内部的HTML内容，然后用提供的文本代替。
  • .prepend(String first)：在元素后添加文本节点。
  • Element.append(String last)：在元素前添加文本节点。
// <div></div>Element div = doc.select("div").first();

div.text(" one "); 
div.prepend(" two ");
div.append(" three ");// 输出: <div> two one three </div>

7:其他功能

1：返回html链接的绝对路径

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

解决方式：

确保在你解析文档时有指定base URI路径。
然后使用 abs: 属性前缀来取得包含base URI的绝对路径。代码如下：

Document doc =Jsoup.connect("http://www.open-open.com").get();Element link = doc.select("a").first();// 输出：/String relHref = link.attr("href");// 输出：http://www.open-open.com/String absHref = link.attr("abs:href");

说明：

在HTML元素中，URLs经常写成相对于文档位置的相对路径，如：…。当你使用 .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。

2：使用代理

当访问某个网页需要使用代理服务器时，可以通过这种方法进行代理设置。后续元素操作就一样了；

Document document =Jsoup.connect("http://csdn.net/").proxy("12.12.12.12",1080)// 使用代理.get();
标签： java jsoup 爬虫
本文转载自: https://blog.csdn.net/qq_41694906/article/details/129857848
版权归原作者 苍煜 所有， 如有侵权，请联系我们删除。
登录后发布评论

“Jsoup使用教程以及使用案例”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

机器人技术在安全领域的重要作用

安全学习记录——网络篇（一）

图腾柱PFC：HP1010为您的电动两轮车之旅提供绿色，高效，安全的动力

单元测试数据库回滚问题

这才是单元测试，之前我们都错了

【C语言基础】：字符函数和字符串函数

ChatGPT-Next-Web SSRF漏洞+XSS漏洞复现(CVE-2023-49785)

文章导航