Java中應用開源庫JSoup解析HTML文件實例。本站提示廣大學習愛好者：（Java中應用開源庫JSoup解析HTML文件實例）文章只能為提供參考，不一定能成為您想要的結果。以下是Java中應用開源庫JSoup解析HTML文件實例正文
HTML是WEB的焦點，互聯網中你看到的一切頁面都是HTML，不論它們是由JavaScript，JSP，PHP,ASP或許是其余甚麼WEB技巧靜態生成的。你的閱讀器會去解析HTML並替你去襯著它們。不外假如你須要本身在Java法式中解析HTML文檔並查找某些元素，標簽，屬性或許檢討某個特定的元素能否存在的話，那又該若何呢？假如你曾經應用Java編程多年了，我信任你確定試曩昔解析XML，也應用過相似DOM或許SAX如許的解析器，不外很有能夠你從未停止過任何的HTML解析的任務。更譏諷的是，在Java運用中，很少會有須要你去解析HTML文檔的時刻，這裡其實不包含Servlet或許其它的Java WEB技巧。更蹩腳的是，JDK焦點裡也沒有包含HTTP或許HTML的庫，至多我其實不曉得有這個。這就是為何一碰上解析HTML文件時，很多Java法式員就得先Google一下 ，看看若何在Java中掏出一個HTML的標簽。當我有這個須要的時刻，我信任確定會有一些開源庫能完成這個，不外我沒有想到居然有JSoup這麼酷的而且功效齊備的庫。它不只能支撐讀取並解析HTML文檔，並且還能讓你從HTML文件抽掏出任何的元素，和它們的屬性，它們的CSS屬性，你還能進它們停止修正。有了JSoup你的確可以對HTML文檔做任何工作。我們將會看到若何在Java中從谷歌主頁或許任何URL中下載並解析HTML文件的示例。
JSoup庫是甚麼
Jsoup是一個開源的Java庫，它可以用於處置現實運用中的HTML。它供給了異常方便的API來停止數據的提取及修正，充足應用了DOM，CSS和jquery作風辦法的優點。Jsoup完成了WAHTWG HTML5的標准，它從HTML解析出來的DOM和Chrome和Firefox如許的古代閱讀器解析出來的完整分歧。上面是Jsoup庫的一些有效的特征：
1.Jsoup可以從URL，文件，或許字符串中獲得並解析HTML。
2.Jsoup可以查找並提取數據，可使用DOM遍歷或許CSS選擇器。
3.你可使用Jsoup來修正HTML元素，屬性和文本。
4.Jsoup經由過程一個平安的白名單確保了用戶提交的內容是清潔的，以避免XSS進擊。
5.Jsoup還能輸入整潔的HTML。
Jsoup的設計初志是用於處置實際生涯中湧現的各類分歧的HTML，包含准確有用的HTML和不完全的有效的標簽聚集。Jsoup的一個焦點競爭力就是它的硬朗性。
在Java中應用Jsoup停止HTML解析
在這篇Java HTML解析的教程中，我們會看到在Java中應用Jsoup解析及遍歷HTML的三個分歧的示例。第一個例子中，我們會解析一個HTML字符串，它的內容就是Java中的字符串字面量構成的標簽。第二個例子中，我們會從WEB中下載HTML文檔，而第三個例子中，我們會加載一個HTML示例文件login.html來停止解析。這個文件是一個HTML文檔的示例，它包括title標簽,body外面有一個div標簽，外面包括一個表單。它具有input標簽來用於獲得用戶名及暗碼，同時還有提交及重置的按鈕用來停止下一步操作。它是一個准確有用的HTML，也就是說，一切的標簽和屬性都是准確地閉合的。上面是我們這個HTML的示例文件：
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=ISO-8859-1">
<title>Login Page</title>
</head>
<body>
<div id="login" class="simple" >
<form action="login.do">
Username : <input id="username" type="text" /><br>
Password : <input id="password" type="password" /><br>
<input id="submit" type="submit" />
<input id="reset" type="reset" />
</form>
</div>
</body>
</html>
應用Jsoup來解析HTML異常簡略，你只需挪用它的靜態辦法Jsoup.parse()並傳入你的HTML字符串給它便可以了。Jsoup供給了多個重載的parse()辦法，它可以從字符串，文件，URI，URL，乃至InputStream中讀取HTML文件。假如不是UTF-8編碼的話，你還可以指定字符編碼，如許可以准確地讀取HTML文件。上面是Jsoup庫中HTML解析辦法的一個完全的列表。parse(String html)辦法將輸出的HTML解析成一個新的Document。在Jsoup裡，Document繼續了Element，而它又繼續自Node。異樣的TextNode也繼續自Node。只需你傳入的是一個不為null的字符串，你就確定能獲得到一個勝利的成心義的解析，獲得一個包括head和body元素的Document。一旦你拿到這個Document，你便可以挪用Document和它的父類Element和Node下面的恰當的辦法來獲得到你想要的數據了。
解析HTML文檔的Java法式
上面是一個解析HTML字符串，收集高低載的HTML文件，和當地文件體系中的HTML文件的完全的Java法式。你可使用Eclipse IDE或許其余IDE乃至敕令來運轉這個法式。在Eclipse外面則很簡略，拷貝這份代碼，新建一個Java工程，在src包上右鍵並粘貼出來便可以了。Eclipse會去創立准確的包及同名的Java源文件的，是以任務量最小。假如你曾經有一個Java示例工程了，那末僅需一步便可以了。上面的這個Java法式展現懂得析及遍歷HTML文件的三個分歧例子。第一個例子中，我們直接解析了一個內容為HTML的字符串，第二個例子中我們解析了一個從URL中下載的HTML文件，第三個中我們從當地文件體系中加載了一個HTML文檔並停止解析。第一和第三個例子中都用到了parse辦法來獲得一個Document對象，你可以查詢它來提掏出任何的標簽值或許屬性值。第二個例子中，我們用到了Jsoup.connect辦法，它會去創立URL的銜接，下載HTML並停止解析。這個辦法也會前往Document，它可以用於後續的查詢及獲得標簽或許屬性的值。
import java.io.IOException;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
/**
[*] Java Program to parse/read HTML documents from File using Jsoup library.
[*] Jsoup is an open source library which allows Java developer to parse HTML
[*] files and extract elements, manipulate data, change style using DOM, CSS and
[*] JQuery like method.
[*]
[*] @author Javin Paul
[*]/
public class HTMLParser{
public static void main(String args[]) {
// Parse HTML String using JSoup library
String HTMLSTring = "<!DOCTYPE html>"
+ "<html>"
+ "<head>"
+ "<title>JSoup Example</title>"
+ "</head>"
+ "<body>"
+ "|[b]HelloWorld[/b]"
+ ""
+ "</body>"
+ "</html>";
Document html = Jsoup.parse(HTMLSTring);
String title = html.title();
String h1 = html.body().getElementsByTag("h1").text();
System.out.println("Input HTML String to JSoup :" + HTMLSTring);
System.out.println("After parsing, Title : " + title);
System.out.println("Afte parsing, Heading : " + h1);
// JSoup Example 2 - Reading HTML page from URL
Document doc;
try {
doc = Jsoup.connect("http://谷歌.com/").get();
title = doc.title();
} catch (IOException e) {
e.printStackTrace();
}
System.out.println("Jsoup Can read HTML page from URL, title : " + title);
// JSoup Example 3 - Parsing an HTML file in Java
//Document htmlFile = Jsoup.parse("login.html", "ISO-8859-1"); // wrong
Document htmlFile = null;
try {
htmlFile = Jsoup.parse(new File("login.html"), "ISO-8859-1");
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
} // right
title = htmlFile.title();
Element div = htmlFile.getElementById("login");
String cssClass = div.className(); // getting class form HTML element
System.out.println("Jsoup can also parse HTML file directly");
System.out.println("title : " + title);
System.out.println("class of div tag : " + cssClass);
}
}
輸入：
Input HTML String to JSoup :<!DOCTYPE html><html><head><title>JSoup Example</title></head><body><table><tr><td><h1>HelloWorld</h1></tr></table></body></html>
After parsing, Title : JSoup Example
Afte parsing, Heading : HelloWorld
Jsoup Can read HTML page from URL, title : Google
Jsoup can also parse HTML file directly title : Login Page
class of div tag : simple
Jsoup的利益就是它的硬朗性很強。Jsoup HTML解析器會對你供給的HTML停止盡可能清潔的解析，而不去斟酌這個HTML能否是格局優越的。它可以處置以下這些毛病：未閉合的標簽（好比，Java <p>Scala to <p>JavaScala)，隱式標簽（好比，一個裸的|Java is Great被封裝到了|外面），它總能創立出一個文檔構造（包括head及body的HTML，而且head裡只會包括准確的元素）。這就是在Java中若何停止HTML的解析。Jsoup是一個優良的硬朗的開源庫，它使得讀取HTML文檔，body片斷，HTML字符串，和直接從WEB中解析HTML內容都變得相當簡略。在這篇文章中，我們進修了若何在Java中獲得一個特定的HTML標簽，正如第一個例子中我們將title及H1標簽的值提取成了文本，而第三個例子中我們進修到了若何經由過程提取CSS屬性來從HTML標簽中獲得屬性值。除壯大的jQuery作風的html.body().getElementsByTag("h1").text()辦法，你還可以提取隨意率性的HTML標簽，它還供給了像Document.title()和Element.className()如許便捷的辦法，你可以疾速獲得到題目及CSS類。願望JSoup能讓你玩得高興，很快我們將會看到關於這個API的更多的一些例子。
