[java] jsoup使用简介-汇率换算器实现-插曲2

1 系列文章地址
2 更多参考资料
3 解释遍历一个html文档和html字符串
4 解释一个body片断
5 从一个URL, 文件加载一个Document对象
6 其他更多文档中的内容请参见
7 其中常用的数据结构简介
- 7.1 Element
- 7.2 Elements

1 系列文章地址

3 解释遍历一个html文档和html字符串

传送门 http://www.open-open.com/jsoup/parsing-a-document.htm http://www.open-open.com/jsoup/parse-document-from-string.htm

原文中给出的例子如下:

String html = "<html><head><title>First parse</title></head>"

  + "<body><p>Parsed HTML into a doc.</p></body></html>";

Document doc = Jsoup.parse(html);

单单这个示例, 就引出了以下问题:

能够直接运行吗?
直接输出Document的结果?

3.1 运行环境设置及运行

下载jsoup.jar包, 将其放置到yourpath, 编写代码的时候具体import的内容, 应该根据jsoup的tree 进行import, 如上面的例子中使用了 Jsoup 和 Document, 那么在文件的开头就应该有这样两句话:

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

剩下的完整的内容如下:

// 再简单地将示例放入main函数中

public class JsoupDemo{

    public static void main(String[] args)

    throws Exception {

        // Document doc = Jsoup.connect("http://en.wikipedia.org/").get();

        String html = "<html><head><title>First parse</title><head>"

            + "<body><p>Parsed Html into a doc.</p></body></html>";

        Document doc = Jsoup.parse(html);

        System.out.println(doc);

    }

}

3.2 直接输出Document

编译运行如下(linux):

javac -classpath yourpath/jsoup.jar JsoupDemo.java

java -cp yourpath/jsoup.jar:./ JsoupDemo

最后可以发现通过parse处理后输出地结果为格式化后的html代码:

<html>

 <head>

  <title>First parse</title>

 </head>

 <body>

  <p>Parsed Html into a doc.</p>

 </body>

</html>

3.3 parse(String html, String baseUri)中baseUri具体指什么

如在html中出现了相对路径, 如 href="page/a.html", 那么就会被解析为 href="$baseUri/page/a.html" 如将示例进行修改为:

String html = "<html><head><title><a href=\"/page/a.html\">标题</a></title></head></html>"

然后调用:

Document doc = Jsoup.parse(html, "http://example.com/");

最后输出的doc依然和String html相同. 那么这个额外的baseUri是怎么起作用的呢. google了一下, 参见: stackoverflow中的解释 , 可见需要下述的方式才能够起作用:

for (Element link : doc.select("a")) {

  System.out.println(link.absUrl("href"));

}

4 解释一个body片断

传送门 http://www.open-open.com/jsoup/parse-body-fragment.htm

Jsoup.parseBodyFragment 方法可以将字符串中的<html><head>标签忽略, 剩下的内容都为body部份. 可以将示例中的String html改为下面的方式, 并比较两者之间不同的输出结果:

String html = "<html><head><title>what</title></head><body><div><p>Lorem ipsum.</p></body></html>";

5 从一个URL, 文件加载一个Document对象

传送门 http://www.open-open.com/jsoup/load-document-from-url.htm http://www.open-open.com/jsoup/load-document-from-file.htm

通过以下尝试, 得知Jsoup在connect过程中, 已经对html文档的相应的编码方式进行了处理:

Document doc = Jsoup.connect("http://www.baidu.com/").get();

System.out.println(doc)

7 其中常用的数据结构简介

7.1 Element

html的element包括形如: <tag attribute="" id="" class="">text</tag> 的部份.

常用的方法有:

attr: 获得相应属性的内容
getElementsBy{many different kinds}: 获取不同类型的集合
text: 获取这个元素以及子集所包含的文本
其他参见: http://jsoup.org/apidocs/org/jsoup/nodes/Element.html

7.2 Elements

表示结构相同的element的集合

常用的方法:

对element进行遍历:

Elements eles = ...;

for (Element ele : eles) {} 对elements进行遍历

select: 选择相应结构的elements
get: 获取特定index的element
其他参见: http://jsoup.org/apidocs/org/jsoup/select/Elements.html

Date: 2014-05-14 Wed

Author: Zhong Xiewei

Org version 7.8.11 with Emacs version 24

Validate XHTML 1.0