jsoup抓取网页教程.docVIP

jsoup抓取网页教程 jsoup抓取网页+详细讲解 jsoup抓取网页+详细讲解 Java 程序在解析 HTML 文档时，相信大家都接触过 htmlparser 这个开源项目，我曾经在 IBM DW 上发表过两篇关于 htmlparser 的文章，分别是：从 HTML 中攫取你所需的信息和 扩展 HTMLParser 对自定义标签的处理能力。但现在我已经不再使用 htmlparser 了，原因是 htmlparser 很少更新，但最重要的是有了 jsoup 。 jsoup 是一款 Java 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 的主要功能如下： 1. 从一个 URL，文件或字符串中解析 HTML； 2. 使用 DOM 或 CSS 选择器来查找、取出数据； 3. 可操作 HTML 元素、属性、文本； jsoup 是基于 MIT 协议发布的，可放心使用于商业项目。 jsoup 的主要类层次结构如图 1 所示： 图 1. jsoup 的类层次结构 图 1. jsoup 的类层次结构 接下来我们专门针对几种常见的应用场景举例说明 jsoup 是如何优雅的进行 HTML 文档处理的。 -------------------------------------------------------------------------------- 回页首 文档输入 jsoup 可以从包括字符串、URL 地址以及本地文件来加载 HTML 文档，并生成 Document 对象实例。 下面是相关代码： 清单 1 // 直接从字符串中输入 HTML 文档 String html = htmlheadtitle 开源中国社区 /title/head + bodyp 这里是 jsoup 项目的相关文章 /p/body/html; Document doc = Jsoup.parse(html); // 从 URL 直接加载 HTML 文档 Document doc = Jsoup.connect(/).get(); String title = doc.title(); Document doc = Jsoup.connect(/) .data(query, Java) // 请求参数 .userAgent(I ’ m jsoup) // 设置 User-Agent .cookie(auth, token) // 设置 cookie .timeout(3000) // 设置连接超时时间 .post(); // 使用 POST 方法访问 URL // 从文件中加载 HTML 文档 File input = new File(D:/test.html); Document doc = Jsoup.parse(input,UTF-8,/); 请大家注意最后一种 HTML 文档输入方式中的 parse 的第三个参数，为什么需要在这里指定一个网址呢（虽然可以不指定，如第一种方法）？因为 HTML 文档中会有很多例如链接、图片以及所引用的外部脚本、css 文件等，而第三个名为 baseURL 的参数的意思就是当 HTML 文档使用相对路径方式引用外部文件时，jsoup 会自动为这些 URL 加上一个前缀，也就是这个 baseURL。 例如 a href=/project 开源软件 /a 会被转换成 a href=/project 开源软件 /a。 -------------------------------------------------------------------------------- 回页首 解析并提取 HTML 元素 这部分涉及一个 HTML 解析器最基本的功能，但 jsoup 使用一种有别于其他开源项目的方式——选择器，我们将在最后一部分详细介绍 jsoup 选择器，本节中你将看到 jsoup 是如何用最简单的代码实现。 不过 jsoup 也提供了传统的 DOM 方式的元素解析，看看下面的代码： 清单 2. File input = new File(D:/test.html); Document doc = Jsoup.parse(input, UTF-8, /); Element content = doc.getElementById(content); Elements links = content