Java上的jQuery？解析HTML利器—Jsoup

　　也許大家有過在java運作平台上解析html的經曆，通常的方式是将HTML以XML的形式進行結點解析，調用java本身的xml解析類庫。這樣的方式很容易了解并且很友善，但習慣用jQuery的各位是否在感歎能否在java中像jQuery一樣擷取标簽内容，實作DOM操作呢？終于，發現了一個html解析利器，jsoup！

　　初次用jsoup的時候是在業餘時間做一款漫畫下載下傳器的時候發現的，做漫畫下載下傳器時，因無法得到網站的API接口，是以隻能通過解析HTML的方式獲得網頁内容與圖檔，在網絡上找到jsoup以後發現習慣于jquery方式程式設計的我很快就可以适應jsoup的選擇器，得到内容的方式也很容易，下面我們就開始學習神奇的jsoup。

1.下載下傳jsoup

大家可以去jsoup的官網下載下傳jsoup，或者點選jsoup-1.7.3.jar(官方下載下傳位址)

 2.jsoup初體驗

　　第一步   擷取html文檔對象。

　　Document對象:用于接收html的文檔内容

　　Jsoup.connect(String url).get():用于指定網址，傳回值為Document對象

　　ps:如果需要解析通路較慢的網站的話需要加上timeout方法，以放抛出RuntimeException異常。

　　

1  //文檔對象，用來接收html頁面
2  Document document = null;
3  try {
4      //擷取指定網址的頁面内容
5      document = Jsoup.connect("http://www.baidu.com/").timeout(50000).get();
6  } catch (IOException e) {
7      e.printStackTrace();
8  }      

　　另外我們除了通過網址的到HTML文檔對象外還可以通過讀取HTML檔案來擷取HTML文檔，方法如下:

//獲得檔案對象
File input = new File("/tmp/input.html");
//獲得文檔對象
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");      

　   上面這段代碼很好了解,parse是Jsoup類的靜态方法，用于加載和解析HTML文檔，其中的三個參數分别為:

　　參數1:要擷取的檔案對象

　　參數2:HTML文檔的文字編碼例如UTF-8，ISO 8859-1，GBK等等

　　參數3:用于相對路徑的字首

　　第二步   通過選擇器得到想要的Dom結點

　　jsoup提供了豐富的選擇器，選擇器的友善程度媲美jQuery，其中的篩選選擇器，父選擇器等更是jQuery上本身就擁有的，具體該怎麼用這個選擇器呢？相信習慣jQuery的童鞋很快就會适應jsoup選擇器的。

　　首先我們需要認識一下Elements對象，Elements類實作了java.lang.List接口，主要用于儲存選擇器選擇到的結點。

　　接下來我們來看一下Document對象擷取結點的步驟:

1 //通過Document的select方法擷取class為abc的Elements結點集合
2 Elements elements = document.select(".abc");
3 //得到結點的第一個對象
4 Element element = elements.get(0);
5 //擷取想要的屬性值
6 String href = element.attr("href");      

　　共三步，就可以得到想要的結果了，是不是很友善呢？

　　并且第二個步驟是可以省略的，下面讓我們來看一下Elements的attr()方法的源碼

/**
     Get an attribute value from the first matched element that has the attribute.
     @param attributeKey The attribute key.
     @return The attribute value from the first matched element that has the attribute.. If no elements were matched (isEmpty() ==      true),
     or if the no elements have the attribute, returns empty string.
     @see #hasAttr(String)
     */
    public String attr(String attributeKey) {
        for (Element element : contents) {
            if (element.hasAttr(attributeKey))
                return element.attr(attributeKey);
        }
        return "";
    }
      

上邊兩個方法可以清除的看到當我們輸入結點名稱時，他會自動周遊所有集合内所有結點是否擁有此屬性，如果擁有此屬性即跳出傳回結果，如無法找到含有此屬性的結點則傳回 Empty。

　　jsoup的選擇器除了上面的例子裡的類選擇器還有下面的豐富選擇器，大家可根據需要來選擇使用。

Selector選擇器

• tagname

  : 通過标簽查找元素，比如：

  a

• ns|tag

  : 通過标簽在命名空間查找元素，比如：可以用 

  fb|name

   文法來查找 

  <fb:name>

   元素

• #id

  : 通過ID查找元素，比如：

  #logo

• .class

  : 通過class名稱查找元素，比如：

  .masthead

• [attribute]

  : 利用屬性查找元素，比如：

  [href]

• [^attr]

  : 利用屬性名字首來查找元素，比如：可以用

  [^data-]

   來查找帶有HTML5 Dataset屬性的元素

• [attr=value]

  : 利用屬性值來查找元素，比如：

  [width=500]

• [attr^=value]

  , 

  [attr$=value]

  [attr*=value]

  : 利用比對屬性值開頭、結尾或包含屬性值來查找元素，比如：

  [href*=/path/]

• [attr~=regex]

  : 利用屬性值比對正規表達式來查找元素，比如： 

  img[src~=(?i)\.(png|jpe?g)]

• *

  : 這個符号将比對所有元素

Selector選擇器組合使用

• el#id

  : 元素+ID，比如： 

  div#logo

• el.class

  : 元素+class，比如： 

  div.masthead

• el[attr]

  a[href]

• 任意組合，比如：

  a[href].highlight

• ancestor child

  : 查找某個元素下子元素，比如：可以用

  .body p

   查找在"body"元素下的所有

  p

  元素

• parent > child

  : 查找某個父元素下的直接子元素，比如：可以用

  div.content > p

   查找 

  p

   元素，也可以用

  body > *

   查找body标簽下所有直接子元素

• siblingA + siblingB

  : 查找在A元素之前第一個同級元素B，比如：

  div.head + div

• siblingA ~ siblingX

  : 查找A元素之前的同級X元素，比如：

  h1 ~ p

• el, el, el

  :多個選擇器組合，查找比對任一選擇器的唯一進制素，例如：

  div.masthead, div.logo

僞選擇器selectors

• :lt(n)

  : 查找哪些元素的同級索引值（它的位置在DOM樹中是相對于它的父節點）小于n，比如：

  td:lt(3)

   表示小于三列的元素

• :gt(n)

  :查找哪些元素的同級索引值大于

  n

  ，比如

  ： 

  div p:gt(2)

  表示哪些div中有包含2個以上的p元素

• :eq(n)

  : 查找哪些元素的同級索引值與

  n

  相等，比如：

  form input:eq(1)

  表示包含一個input标簽的Form元素

• :has(seletor)

  : 查找比對選擇器包含元素的元素，比如：

  div:has(p)

  表示哪些div包含了p元素

• :not(selector)

  : 查找與選擇器不比對的元素，比如： 

  div:not(.logo)

   表示不包含 class="logo" 元素的所有 div 清單

• :contains(text)

  : 查找包含給定文本的元素，搜尋不區分大不寫，比如： 

  p:contains(jsoup)

• :containsOwn(text)

  : 查找直接包含給定文本的元素

• :matches(regex)

  : 查找哪些元素的文本比對指定的正規表達式，比如：

  div:matches((?i)login)

• :matchesOwn(regex)

  : 查找自身包含文本比對指定正規表達式的元素
• 注意：上述僞選擇器索引是從0開始的，也就是說第一個元素索引值為0，第二個元素index為1等

為了照顧習慣js原生獲得結點方式的朋友們，jsoup還加入了許多原生方法名，例如:

1 //通過ID獲得結點，傳回值為Element而不是Elements
2 getElementById(String id)
3 //通過結點名傳回節點集
4 getElementsByTag(String tag)
5 //通過類傳回結點集
6 getElementsByClass(String className)      

 　　第三步 修改結點屬性

　　對于僅僅要讀取資料的朋友們來說上面兩步已經足以完成需求，而對于有修改文檔内容需求的來說Jsoup同樣提供了強大的屬性指派，例如:

//為結點添加内容
element.html(内容);
//添加屬性
element.attr(屬性名,屬性值)
//添加類
element.addClass(類名)      

　　修改結點屬性的方式也與jQuery類似，也很容易了解。

如果大家已經了解了jsoup的基礎操作的話，可以自己動手試試解析一個HTML文檔，如果有問題歡迎跟帖，另外附上兩個jsoup教程的網址:

jsoup英文版api: http://jsoup.org/apidocs/

英文好的同學可以去瞧瞧，jsoup實用的方法還有很多的哦！

jsoup中文版教程:http://www.open-open.com/jsoup/parsing-a-document.htm

^_^