java爬虫jsoup解析HTML实例分析

本篇内容介绍了“java爬虫jsoup解析HTML实例分析”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！使用python写爬虫的人，应该都听过beautifulsoup4这个包，用来它来解析网页甚是方便。那么在java里有没有类似的包呢？当然有啦！而且也非常好用。下面隆重介绍jsoup！jsoup实现了 WHATWG HTML5 规范，能够与现代浏览器解析成相同的DOM。其解析器能够尽最大可能从你提供的HTML文档来创建一个干净的解析结果，无论HTML的格式是否完整。比如它可以处理没有关闭的标签。举个栗子：LoremIpsumparsestoLoremIpsum它也可以处理隐式标签，创建可靠的文档结构（html标签包含head 和 body，在head只出现恰当的元素）。文档由多个Elements和TextNodes组成 ;其继承结构如下：Document继承Element继承Node,TextNode继承Node.一个Element包含一个子节点集合，并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。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。ParsedHTMLintoadoc.常用到的方法如下：parse方法能够将输入的 HTML 解析为一个新的文档 (Document），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。
上面的参数baseUri的作用是，如果要解析的html中存在相对路径，那么就根据这个参数变成绝对路径, 如果不需要可以传入一个空字符串。注：通过connect方法来获得 html 源码，有的时候会遇到乱码的问题，这个时候该怎么办么？方法里有一个parse方法，传入参数InputStream、charsetName以及baseUrl，所有可以这样解决：Jsoup的强项是解析html，当然了，它能处理一些简单情况，遇到复杂的情形还是使用 httpClient 这个包吧，你值得拥有！举个栗子注：doc 为 Document 对象。还有写常用的方法，比如Document 对象还有一个方法在元素检索方面，jsoup 的选择器简直无所不能。jsoup 选择器很多，这里仅仅举出几个栗子，Selector选择器概述tagname: 通过标签查找元素，比如：ans|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 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=value]: 利用属性值来查找元素，比如：[width=500][attr^=value], [attr$=value], [attr*=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：[href*=/path/][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Selector选择器组合使用el#id: 元素+ID，比如： div#logoel.class: 元素+class，比如： div.mastheadel[attr]: 元素+class，比如： a[href]任意组合，比如：a[href].highlightancestor 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 + divsiblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h2 ~ pel, 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): 查找自身包含免费云主机域名文本匹配指定正则表达式的元素注：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。对于 Elements 的来历，看这里另外，可以查看Selector API参考来了解更详细的内容，可以看出，jsoup 使用跟 jQuery 一模一样的选择器对元素进行检索，以上的检索方法如果换成是其他的 HTML 解释器，至少都需要很多行代码，而 jsoup 只需要一行代码即可完成。“java爬虫jsoup解析HTML实例分析”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注百云主机网站，小编将为大家输出更多高质量的实用文章！

相关推荐: Java多线程同步工具类CountDownLatch怎么使用

本篇内容主要讲解“Java多线程同步工具类CountDownLatch怎么使用”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Java多线程同步工具类CountDownLatch怎么使用”吧!CountDownLat…