Jsoup 是一个用于处理 HTML 的 Java 库，它能让你以类似于 jQuery 的方式来解析、操作和提取 HTML 数据。下面将详细介绍如何使用 Jsoup 解析 HTML 文本、提取元素和获取数据。
1. 添加依赖
如果你使用的是 Maven 项目，需要在 pom.xml 中添加以下依赖：
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.16.1</version>
</dependency>
如果你使用的是 Gradle 项目，在 build.gradle 中添加以下依赖：
implementation 'org.jsoup:jsoup:1.16.1'
2. 解析 HTML 文本
你可以使用 Jsoup.parse() 方法来解析 HTML 字符串。示例代码如下：
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
public class HtmlParserExample {
public static void main(String[] args) {
String html = "<html><head><title>示例页面</title></head><body><p>这是一个段落。</p></body></html>";
Document doc = Jsoup.parse(html);
System.out.println(doc.title());
}
}
在上述代码中，Jsoup.parse(html) 方法将 HTML 字符串解析为一个 Document 对象，然后可以通过 doc.title() 方法获取页面的标题。
3. 提取元素
Jsoup 提供了多种方法来提取元素，下面是一些常见的方法：
3.1 通过标签名提取元素
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
public class ElementExtractionExample {
public static void main(String[] args) {
String html = "<html><body><p>段落1</p><p>段落2</p></body></html>";
Document doc = Jsoup.parse(html);
Elements paragraphs = doc.getElementsByTag("p");
for (Element p : paragraphs) {
System.out.println(p.text());
}
}
}
在上述代码中，doc.getElementsByTag("p") 方法返回一个包含所有 <p> 标签元素的 Elements 对象，然后可以通过遍历该对象来获取每个 <p> 标签的文本内容。
3.2 通过 ID 提取元素
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
public class ElementByIdExample {
public static void main(String[] args) {
String html = "<html><body><div id=\"myDiv\">这是一个 div 元素。</div></body></html>";
Document doc = Jsoup.parse(html);
Element div = doc.getElementById("myDiv");
if (div != null) {
System.out.println(div.text());
}
}
}
在上述代码中，doc.getElementById("myDiv") 方法返回一个 Element 对象，该对象表示 ID 为 myDiv 的元素。
3.3 通过 CSS 选择器提取元素
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
public class CssSelectorExample {
public static void main(String[] args) {
String html = "<html><body><ul class=\"myList\"><li>列表项1</li><li>列表项2</li></ul></body></html>";
Document doc = Jsoup.parse(html);
Elements listItems = doc.select("ul.myList li");
for (Element li : listItems) {
System.out.println(li.text());
}
}
}
在上述代码中，doc.select("ul.myList li") 方法使用 CSS 选择器来选择所有 <ul> 元素中类名为 myList 的 <li> 元素。
4. 获取元素的数据
一旦你提取到了元素，就可以通过以下方法获取元素的数据：
4.1 获取文本内容
Element element = ...; // 假设已经获取到了一个元素
String text = element.text();
4.2 获取 HTML 内容
Element element = ...; // 假设已经获取到了一个元素
String htmlContent = element.html();
4.3 获取属性值
Element element = ...; // 假设已经获取到了一个元素
String href = element.attr("href");
综上所述，使用 Jsoup 解析 HTML 文本、提取元素和获取数据的步骤如下：
- 添加
Jsoup依赖。 - 使用
Jsoup.parse()方法解析 HTML 文本。 - 使用
getElementsByTag()、getElementById()或select()方法提取元素。 - 使用
text()、html()或attr()方法获取元素的数据。