jsoup怎么读（使用Jsoup读取网页内容）-宏光凯德生活

jsoup怎么读（使用Jsoup读取网页内容）

jk • 2023-07-17 12:42:29 • 生活常识 • 阅读 106

使用Jsoup读取网页内容

Jsoup是一个开源Java库，用于处理HTML文档。使用Jsoup可以方便地从HTML文档中提取所需信息。

第一步：获取HTML文档

要使用Jsoup，首先需要获取HTML文档。可以使用Jsoup.connect()方法获取指定URL的HTML文档：

Document doc = Jsoup.connect(\"http://example.com/\").get();

也可以使用Jsoup.parse()方法从字符串中获取HTML文档：

String html = \"<html><head></head><body><p>Hello, world!</p></body></html>\";
Document doc = Jsoup.parse(html);

第二步：从HTML文档中提取信息

有了HTML文档，就可以使用Jsoup提供的方法从中提取所需信息。以下是一些常用的方法：

document.select(String selector)：根据CSS选择器选择元素。
Element.select(String selector)：在当前元素的子元素中根据CSS选择器选择元素。
Element.getElementsByTag(String tag)：根据标签名选择元素。
Element.getElementById(String id)：根据ID选择元素。
Element.attr(String attribute)：获取元素的属性值。
Element.text()：获取元素的文本内容。
Element.html()：获取元素的HTML内容。

例如，要从下面的HTML文档中获取标题和正文：

<html>
  <head>
    <title>Example</title>
  </head>
  <body>
    <h1>Hello, world!</h1>
    <p>This is an example</p>
  </body>
</html>

可以使用如下代码：

Element title = doc.getElementsByTag(\"title\").first();
Element body = doc.body();
System.out.println(\"Title: \" + title.text());
System.out.println(\"Body: \" + body.text());

输出：

Title: Example
Body: Hello, world! This is an example

第三步：处理HTML文档

除了从HTML文档中提取信息外，Jsoup还提供了一些方法用于处理HTML文档，例如：

Document.outputSettings()：获取输出设置对象，可以设置输出格式。
Element.insertChildren(int index, Collection<? extends Node> nodes)：在当前元素的指定位置插入元素集合。
Element.remove()：从文档中删除当前元素。
Element.after(String html)：在当前元素后插入HTML。
Element.wrap(String html)：包裹当前元素。

例如，要将下面的HTML文档中所有的<code>标签变为粗体：

<html>
  <head>
    <title>Example</title>
  </head>
  <body>
    <p>This is an example:</p>
    <pre><code>System.out.println(\"Hello, world!\");</code></pre>
  </body>
</html>

可以使用如下代码：

Element pre = doc.getElementsByTag(\"pre\").first();
pre.wrap(\"<b></b>\");
System.out.println(doc.outerHtml());

输出：

<html>
  <head>
    <title>Example</title>
  </head>
  <body>
    <p>This is an example:</p>
    <b><pre><code>System.out.println(\"Hello, world!\");</code></pre></b>
  </body>
</html>

上面的代码将<pre><code>包裹在了<b>标签中。