java爬蟲jsoup解析HTML的工具學習

Posted on by

前言

使用python寫爬蟲的人，應該都聽過beautifulsoup4這個包，用來它來解析網頁甚是方便。那麼在java裡有沒有類似的包呢？當然有啦！而且也非常好用。下面隆重介紹jsoup！

jsoup 實現瞭 WHATWG HTML5 規范，能夠與現代瀏覽器解析成相同的DOM。其解析器能夠盡最大可能從你提供的HTML文檔來創建一個幹凈的解析結果，無論HTML的格式是否完整。比如它可以處理沒有關閉的標簽。

舉個栗子：

<p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>

它也可以處理隱式標簽，創建可靠的文檔結構（html標簽包含head 和 body，在head隻出現恰當的元素）。

下載

官網地址在這裡

 jar 包的下載地址

一個文檔的對象模型

  • 文檔由多個Elements和TextNodes組成 ;
  • 其繼承結構如下：Document繼承Element繼承Node, TextNode繼承 Node.
  • 一個Element包含一個子節點集合，並擁有一個父Element。他們還提供瞭一個唯一的子元素過濾列表。

獲取 Document 對象

jsoup 可以從包括字符串、URL 地址以及本地文件來加載 HTML 文檔，並生成 Document 對象實例。

// (1)從字符串中獲取
String html = "<html><head><title>First parse</title></head>"
  + "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc1 = Jsoup.parse(html);
// (2)從 URL 直接加載 HTML 文檔
// get方法
Document doc2 = Jsoup.connect("http://www.163.com").get(); 
// post方法
Document doc = Jsoup.connect("http://example.com")
  .data("query", "Java")
  .userAgent("Mozilla")
  .cookie("auth", "token")
  .timeout(3000)
  .post();
  // (3)從文件中加載 HTML 文檔
File input = new File("D:/test.html"); 
Document doc = Jsoup.parse(input,"UTF-8","http://www.163.com/");

常用到的方法如下：

public static Connection connect(String url)
public static Document parse(String html, String baseUri)
public static Document parse(URL url,  int timeoutMillis) throws IOException
public static Document parse(File in,  String charsetName) throws IOException
public static Document parse(InputStream in, String charsetName,  String baseUrl)  throws IOException

parse方法能夠將輸入的 HTML 解析為一個新的文檔 (Document），隻要解析的不是空字符串，就能返回一個結構合理的文檔，其中包含(至少) 一個head和一個body元素。
上面的參數 baseUri的作用是，如果要解析的html中存在相對路徑，那麼就根據這個參數變成絕對路徑, 如果不需要可以傳入一個空字符串。

註：通過connect方法來獲得 html 源碼，有的時候會遇到亂碼的問題，這個時候該怎麼辦麼？方法裡有一個 parse 方法，傳入參數 InputStream、charsetName以及baseUrl，所有可以這樣解決：

String url = "http://xxxxxxx";
Document document = Jsoup.parse(new URL(url).openStream(), "GBK", url);// 以 gbk 編碼為栗。

Jsoup的強項是解析html，當然瞭，它能處理一些簡單情況，遇到復雜的情形還是使用 httpClient 這個包吧，你值得擁有！

解析並提取 HTML 元素

使用傳統的操作DOM的方式

舉個栗子

Element content = doc.getElementById("content");
Elements links = content.getElementsByTag("a");
Elements mx = content.getElementsByClass("help");

註：doc 為 Document 對象。

還有寫常用的方法，比如

public Elements getElementsByAttributeValue(String key,  String value)
public Element attr(String attributeKey,  String attributeValue)
public Elements getAllElements()
// 獲得孩子節點中所有的文本拼接
public String text()
// 獲得節點的內部html
public String html()

Document 對象還有一個方法

// 獲取標題
public String title()
// 獲得某節點的html，這個方法繼承自Node類，所以Element類也有該方法
public String outerHtml()

選擇器

在元素檢索方面，jsoup 的選擇器簡直無所不能。

jsoup 選擇器很多，這裡僅僅舉出幾個栗子，

Elements links = doc.select("a[href]"); // 具有href屬性的a標簽
Elements pngs = doc.select("img[src$=.png]");// src屬性以.png結尾的img標簽
Element masthead = doc.select("div.masthead").first();// class屬性為masthead的div標簽中的第一個
Elements resultLinks = doc.select("h3.r &gt; a"); // class屬性為r的h3標簽的直接子a標簽
Elements resultLinks = doc.select(img[src~=(?i)\.(png|jpe?g)])

Selector選擇器概述

tagname: 通過標簽查找元素，比如：a

ns|tag: 通過標簽在命名空間查找元素，比如：可以用 fb|name 語法來查找 <fb:name> 元素

#id: 通過ID查找元素，比如：#logo

.class: 通過class名稱查找元素，比如：.masthead

[attribute]: 利用屬性查找元素，比如：[href]

[^attr]: 利用屬性名前綴來查找元素，比如：可以用[^data-] 來查找帶有HTML5 Dataset屬性的元素

[attr=value]: 利用屬性值來查找元素，比如：[width=500]

[attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素，比如：[href*=/path/]

[attr~=regex]: 利用屬性值匹配正則表達式來查找元素，比如： img[src~=(?i)\.(png|jpe?g)]

*: 這個符號將匹配所有元素

Selector選擇器組合使用

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]

任意組合，比如：a[href].highlight

ancestor child: 查找某個元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素

parent > child: 查找某個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標簽下所有直接子元素

siblingA + siblingB: 查找在A元素之前第一個同級元素B，比如：div.head + div

siblingA ~ siblingX: 查找A元素之前的同級X元素，比如：h1 ~ p

el, el, el:多個選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo

偽選擇器selectors

:lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對於它的父節點）小於n，比如：td:lt(3) 表示小於三列的元素

:gt(n):查找哪些元素的同級索引值大於n，比如： div p:gt(2)表示哪些div中有包含2個以上的p元素

:eq(n): 查找哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個input標簽的Form元素

:has(seletor): 查找匹配選擇器包含元素的元素，比如：div:has(p)表示哪些div包含瞭p元素

:not(selector): 查找與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表

:contains(text): 查找包含給定文本的元素，搜索不區分大不寫，比如： p:contains(jsoup)

:containsOwn(text): 查找直接包含給定文本的元素

:matches(regex): 查找哪些元素的文本匹配指定的正則表達式，比如：div:matches((?i)login)

:matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素

註： 上述偽選擇器索引是從0開始的，也就是說第一個元素索引值為0，第二個元素index為1等。

對於 Elements 的來歷，看這裡

public class Elements extends ArrayList<Element>

另外，可以查看Selector API參考來瞭解更詳細的內容，可以看出，jsoup 使用跟 jQuery 一模一樣的選擇器對元素進行檢索，以上的檢索方法如果換成是其他的 HTML 解釋器，至少都需要很多行代碼，而 jsoup 隻需要一行代碼即可完成。

修改獲取數據

// 為所有鏈接增加 rel=nofollow 屬性
doc.select("div.comments a").attr("rel", "nofollow"); 
 // 為所有鏈接增加 class=mylinkclass 屬性
doc.select("div.comments a").addClass("mylinkclass"); 
// 刪除所有圖片的 onclick 屬性
doc.select("img").removeAttr("onclick"); 
// 清空所有文本輸入框中的文本
doc.select("input[type=text]").val(""); 
// 獲得rel屬性的值
doc.select("div.comments a").attr("rel");

參考

使用 jsoup 對 HTML 文檔進行解析和操作

jsoup 1.9.2 API

以上就是java爬蟲工具jsoup解析HTML的工具學習的詳細內容，更多關於java爬蟲工具jsoup的資料請關註WalkonNet其它相關文章！

推薦閱讀：