Jsoup加载HTML的三种方式

2024-02-15 15:27:52
5524 热度
0 评论

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。

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：

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無名
 */
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。

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：

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無名
 */
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。

Document doc = Jsoup.connect("http://www.javacui.com/").get();
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：

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

Jsoup加载HTML的三种方式