转载:http://www.javacui.com/opensource/464.html
Jsoup加载HTML的三种方式,上一篇说的只是一种方式,直接从HTTP源网站获取。
从字符串解析
来自用户输入,一个文件或一个网站的HTML字符串,你可能需要对它进行解析并取其内容,或校验其格式是否完整,或想修改它。
1
2
3
|
String html = "<html><head><title>First parse</title></head>" + "<body><p>from www.javacui.com</p></body></html>" ; Document doc = Jsoup.parse(html); |
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。
一旦拥有了一个Document,你就可以使用Document中适当的方法或它父类 Element和Node中的方法来取得相关数据。
实用示例:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
package com.cui.test; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; /** * 从字符串解析HTML * @author java小强 */ public class StringHtmlSpider { public static void main(String[] args) { try { String html = "<html><head><title>First parse</title></head>" + "<body><p>from www.javacui.com</p></body></html>" ; Document doc = Jsoup.parse(html); Elements elements = doc.getElementsByTag( "p" ); // 根据标签获取 Element e = elements.get( 0 ); // 因为我知道只有一个p System.out.println(e.text()); // 打印 from www.javacui.com } catch (Exception e) { e.printStackTrace(); } } } |
从本地文件加载
在本机硬盘上有一个HTML文件,需要对它进行解析从中抽取数据或进行修改。本示例HTML文件内容和上面示例字符串内容一致。
1
2
|
File input = new File( "D:\\javacui.html" ); Document doc = Jsoup.parse(input, "UTF-8" ); |
这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误,将抛出IOException,应作适当处理。
实用示例:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
package com.cui.test; import java.io.File; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; /** * 从本地文件解析HTML * @author java小强 */ public class LocalDiskSpider { public static void main(String[] args) { try { File input = new File( "D:\\javacui.html" ); Document doc = Jsoup.parse(input, "UTF-8" ); Elements elements = doc.getElementsByTag( "p" ); // 根据标签获取 Element e = elements.get( 0 ); // 因为我知道只有一个p System.out.println(e.text()); // 打印 from www.javacui.com } catch (Exception e) { e.printStackTrace(); } } } |
来自网络
你需要从一个网站获取和解析一个HTML文档,并查找其中的相关数据。
1
2
|
String title = doc.title(); |
connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。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,具体如下:
1
2
3
4
5
6
|
.data( "query" , "Java" ) .userAgent( "Mozilla" ) .cookie( "auth" , "token" ) .timeout( 3000 ) .post(); |
这个方法只支持Web URLs (http和https 协议)。
使用代码参考:http://www.javacui.com/opensource/463.html
参考官网:https://jsoup.org/