首页 > 代码库 > java爬取网页内容 简单例子（2）——附jsoup的select用法详解
java爬取网页内容 简单例子（2）——附jsoup的select用法详解
http://www.cnblogs.com/xiaoMzjm/p/3899366.html
【背景】
在上一篇博文 java爬取网页内容 简单例子（1）——使用正则表达式 里面，介绍了如何使用正则表达式去解析网页的内容，虽然该正则表达式比较通用，但繁琐，代码量多，现实中想要想出一条简单的正则表达式 对于没有很好正则表达式基础的人——比如说我T_T——是一件蛮困难的事。这一篇，我们改用jsoup，一个强大的解析html工具，去解析html，你会发现，一切都变得很容易。
【准备工作】
下载：jsoup-1.6.1.jar
【先看效果】
目标网站：中国天气
目的：获取今天的天气
目标HTML代码：
View Code
解析的java代码：
（1）审查网页元素后发现，我们要的内容在上面的目标HTML代码中，在整个网页中是在 class="dn on" data-dn="7d1" 的<li>中
（2）“今天” 两字在<h1></h1>中
（3）“8日” 两字在<h2></h2>中
（4）“雷阵雨” 三字在 class="wea" 中
（5）“33” 在第一个<span>中
（6）“25” 在第二个<span>中
（7）“微风” 两字在 第三个<i> 中
有了上面的分析，要获取到这些天气内容就易如反掌了。如下java代码：
View Code
结果打印出：
1 今天2 8日3 雷阵雨4 33°C5 25°C6 微风
【详解】
附:
- jsoup的官方中文文档为：http://www.open-open.com/
- API为：http://jsoup.org/apidocs/
java代码第13行：
从文档中我们可用看出，获取数据源的方法有三：
（1）从一段html代码字符串获取： Document doc = Jsoup.parse(html);
（2）从一个url获取： Document doc = Jsoup.connect("http://example.com/").get();
（3）从一个html文件获取 File input = new File("/tmp/input.html"); Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
这里，我们采取了第二种方法，从url中获取。
java代码第24、26、30、34、38行：
Document 继承自 Element 类， 而Element类有一个很好的方法，叫select ， 这个选择器几乎无所不能。快速从一堆html代码中获取我们想要的一段，我觉得使用select最方便。下面我们来看怎么使用select方法来查找。
注：以下表格的结果都是使用以下语句打印出来的
for(Element e : elements) { System.out.println(e.text()); }
| select详解 | |||
| 描述 | 测试的HTML代码 | select写法 | 结果 |
通过 标签名 来查找 | <span>33</span><span>25</span>
| Elements elements = doc.select("span");
| 3325
|
通过 id 来查找 |
<span id=\"mySpan\">36</span><span>20</span>
| Elements elements = doc.select("#mySpan");注：通过id来查找，使用方法跟css指定元素一样，用# | 36
|
通过 class名 来查找 |
<span class=\"myClass\">36</span>
| Elements elements = doc.select(".myClass");注：通过id来查找，使用方法跟css指定元素一样，用 . | 36
|
利用标签内 属性名 查找元素 | <span class=\"class1\" id=\"id1\">36</span>
| Elements elements = doc.select("span[class=class1]span[id=id1]");注：规则为 标签名【属性名=属性值】，标签名可写可不写，多个属性即多个【】，如上。 | 36
|
利用标签内 属性名前缀 查找元素 | <span class=\"class1\" >36</span><span class=\"class2\" >22</span>
| Elements elements = doc.select("span[^cl]");注：规则为 标签名【^属性名前缀】，标签名可写可不写，多个属性即多个【】。 | 3622
|
利用标签内 属性名+正则表达式 查找元素 | <span class=\"ABC\" >36</span><span class=\"ADE\" >22</span>
| Elements elements = doc.select("span[class~=^AB]");注：规则为 标签名【属性名~=正则表达式】，以上的正则表达式的意思是查找以class值以AB为开头的标签，标签名可写可不写，多个属性即多个【】 | 36
|
利用标签 文本包含某些内容 来查找 | <span>36</span><span>22</span>
| Elements elements = doc.select("span:contains(3)");注：规则为 标签名:contains(文本值) | 36
|
利用标签 文本包含某些内容+正则表达式 来查找 | <span>36</span><span>22</span>
| Elements elements = doc.select("span:matchesOwn(^3)");注：规则为 标签名:matchesOwn(正则表达式)，以上的正则表式的意思是以文本值以3为开头的标签 | 36
|
关于select，还有一些其他的查找方法，以上只列出个人觉得比较好用、常用的语法。
select方法返回的是一个Elements 对象，里面包含着找到的所有节点。遍历Elements ，通过get（index），就可以拿出具体的 节点了。通过节点的text()方法，就可用拿出文本值。
而想得到节点的其他属性，可以看API的介绍。
【结语】
jsoup还有其他强大的功能，在此只介绍其在获取网页特定内容的写法。希望对刚接触jsoup的人有帮助。