Jsoup简介

jsoup 是一款Java的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

官网地址：
http://jsoup.org/

在官网中下载 jsou-1.8.3.jar 文件，添加到自己项目的lib库中，便可使用Jsoup提供的api，官网中也提供了一套使用指南（Cookbook），便于开发者借鉴。
Jsoup解析HTML得到一个Document对象，通过操作Document的属性来获取HTML页面内容，所以，在开始之前，先介绍一下XML中Node、Element、Document等这些相关概念的区别，防止因概念混淆而导致乱用错用。

相关概念

• Jsoup中的继承关系

  public abstract class Node implements Cloneable

  public class Element extends Node

  public class Document extends Element

  从Jsoup源码对三者的定义可以看出如下一个树形继承关系：
  
  

1. Node（节点）
   从上述继承关系上可以明确一点，文档中的所有内容都可以看做是一个节点。节点有很多种类型：属性节点（Attribute）、注释节点（Note）、文本节点（Text）、元素节点（Element）等，通常所说的节点是这些多种节点的统称。

2. Element（元素）
   相比节点而言，元素则是一个更小范围的定义。元素继承于节点，是节点的子集，所以一个元素也是一个节点，节点拥有的公有属性和方法在元素中也能使用。

3. Document（文档）
   文档继承于元素，指整个HTML文档的源码内容，通过 System.out.println(document.toString()); 即可在控制台打印出网页源码内容。

4. 相互转换
   基于Node、Element和Document之间的“缠绵”关系，可以利用各个类中提供的方法适当转换获取所需对象，以供使用。

   使用案例

   Jsoup解析Html获取Document对象的方式分为三类：在线Url、Html文本字符串、文件，对应API如下

• connect(String url)

• parse(String html)

• parse(File in, String charsetName)

  
  在获取到Document对象之后，可以结合HTML源码，利用Jsoup提供的api通过class、tag、id、attribute等相关属性获取对应Element，进而得到所需要的网页内容。
  下面以Jsoup的官网Cookbook页面为例，解析并获取页面目录内容。
  网页内容：

  
  
  
  
  网页源码：

  
  
  
  
  
  
  
  
  
  
  
  jsoup
  新闻
  bugs
  讨论
  下载
  api参考
  Cookbook
  
  jsoup >> cookbook 
  
  
  jsoup Cookbook(中文版)
  
  入门
  
  解析和遍历一个html文档
  
  输入
  
  解析一个html字符串
  解析一个body片断
  根据一个url加载Document对象
  根据一个文件加载Document对象
  
  数据抽取
  
  使用dom方法来遍历一个Document对象
  使用选择器语法来查找元素
  从元素集合抽取属性、文本和html内容
  URL处理
  程序示例：获取所有链接
  
  数据修改
  
  设置属性值
  设置元素的html内容
  设置元素的文本内容
  
   html清理
  
  消除不受信任的html (来防止xss攻击)
  <script src="./jsoup开发指南,jsoup中文使用手册,jsoup中文文档_files/ca-pub-7963911354665843.js"></script><script type="text/javascript">
  </script>
  <script type="text/javascript" src="./jsoup开发指南,jsoup中文使用手册,jsoup中文文档_files/show_ads.js">
  </script>
  
  jsoup html parser: copyright (c) 2009 - 2011 jonathan hedley 
  

  Jsoup解析：

  import java.io.IOException;
  import java.text.ParseException;
  import org.jsoup.Jsoup;
  import org.jsoup.nodes.Document;
  import org.jsoup.select.Elements;
  /**
  * @author 亦枫
  * @created_time 2016年1月5日
  * @file_user_todo Java测试类
  * @blog http://www.jianshu.com/users/1c40186e3248/latest_articles
  */
  public class JavaTest {
  /**
  * 入口函数
  * @param args
  * @throws ParseException
  */
  public static void main(String[] args) throws ParseException {
  try {
  //解析Url获取Document对象
  Document document = Jsoup.connect("http://www.open-open.com/jsoup/").get();
  //获取网页源码文本内容
  System.out.println(document.toString());
  //获取指定class的内容指定tag的元素
  Elements liElements = document.getElementsByClass("content").get(0).getElementsByTag("li");
  for (int i = 0; i < liElements.size(); i++) {
  System.out.println(i + ". " + liElements.get(i).text());
  }
  } catch (IOException e) {
  System.out.println("解析出错！");
  e.printStackTrace();
  }
  }
  }

  解析结果：