Jsoup库 解析DOM文档

DOM文档包括 HTML, XML等等

下载： http://jsoup.org/download

Jsoup 获取数据的方式

//html 文本， url， 本地html
String html = "<html>"
        + "<head>carloz Jsoup用法</head>"
        + "<body>"
        + "<p><a href='http://baidu.com'>这里是jsoup项目相关的文章</a></p>"
        + "</body>"
        + "</html>";
//html text
Document doc = Jsoup.parse(html);
doc.title();

String url = "http://baidu.com";
//get 方式获取数据
try {
    Document doc2 = Jsoup.connect(url).get();
} catch (IOException e) {
    e.printStackTrace();
}

//post 方式获取数据
try {
    Document doc3 = Jsoup.connect(url).data("key", "value").timeout(3000).post();
} catch (IOException e) {
    e.printStackTrace();
}

//本地文件获取数据
File input = new File(Environment.getDataDirectory()+"/index.html");
try {
    Document doc4 = Jsoup.parse(input, "utf-8", "http://baidu.com");
} catch (IOException e) {
    e.printStackTrace();
}

Jsoup操作DOM文档

//html 文本， url， 本地html
String html = "<html>"
        + "<head>carloz Jsoup用法</head>"
        + "<body>"
        + "<p><a href='http://baidu.com'>这里是jsoup项目相关的文章</a></p>"
        + "</body>"
        + "</html>";
//html text
Document doc = Jsoup.parse(html);
doc.title();
//选择元素，获取元素的相关属性
Elements eles = doc.getElementsByTag("a");
for(Element link : eles){
    String linkHref = link.attr("href");
    String text = link.text();
}

//遍历
Elements elements = doc.select("a[href]"); //带有连接的a标签
Elements elements2 = doc.select("img[src$=.png]"); //带有连接的图像
Element elements3 = doc.select("div.className").first(); //带有连接的图像

//元素操作
doc.select("div.className").attr("key", "value");
doc.select("div.className").addClass("myClass"); // 添加： class="myClass"
doc.select("img").removeAttr("onclick"); //移除方法

//文档清理， 将不安全的html代码 转化为安全的形式
String htmls = "";
String safeHtml = Jsoup.clean(htmls, Whitelist.basic());

------------------------------------------------

实例操作

* 1. 使用Jsoup解析 html新闻列表

添加网络访问权限 <uses-permission android:name="android.permission.INTERNET"/>

解析网址 http://mobile.csdn.net/

网络操作，需要新建线程

//涉及网络请求，创建一个线程
new Thread(new Runnable(){
    @Override
    public void run() {
        parseHtml();
    }
}).start();

private void parseHtml() {
    try {
        Document doc = Jsoup.connect(url).get();
        //去网页分析html格式
        Elements elements = doc.select("div.unit");
        for(Element e : elements) {
            String title = e.getElementsByTag("h1").first().text();
            String href = e.getElementsByTag("h1").first()
                    .getElementsByTag("a").first().attr("href");
            Log.i(TAG, title + ": " + href);

        }
    } catch (IOException e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    }
}

运行结果

08-10 16:17:59.427: I/CARLOZ(14728): Google产品总监：改良Apple Watch UI的若干设想: http://www.csdn.net/article/2015-08-10/2825421
08-10 16:17:59.427: I/CARLOZ(14728): Android项目中如何用好构建神器Gradle？: http://www.csdn.net/article/2015-08-10/2825420
08-10 16:17:59.427: I/CARLOZ(14728): Oculus PC SDK 0.7版即将发布，含新Direct Driver Mode: http://www.csdn.net/article/2015-08-10/2825419-Oculus-SDK-0-7-new-direct-driver-mode-and-a-major-overhaul
08-10 16:17:59.427: I/CARLOZ(14728): 实战iOS 9：详解Xcode的Code Coverage工具: http://www.csdn.net/article/2015-08-07/2825410
08-10 16:17:59.427: I/CARLOZ(14728): 《近匠》Remix周哲，让Android运行在“电脑”上！: http://www.csdn.net/article/2015-08-06/2825396-remix-tablet
08-10 16:17:59.427: I/CARLOZ(14728): Android上玩玩Hook：Cydia Substrate实战: http://www.csdn.net/article/2015-08-07/2825405
08-10 16:17:59.427: I/CARLOZ(14728): 易讯理想科技自研AR技术 面向商业场景推“幻视”AR应用: http://www.csdn.net/article/2015-08-06/2825398
08-10 16:17:59.427: I/CARLOZ(14728): 令人惊叹的复杂之美：如何做一个iOS分形App？: http://www.csdn.net/article/2015-08-05/2825382
08-10 16:17:59.427: I/CARLOZ(14728): 游戏设计中的色彩哲学：没想象的那么简单: http://www.csdn.net/article/2015-08-04/2825378
08-10 16:17:59.427: I/CARLOZ(14728): iOS开发实战教学：在Swift怎样创建CocoaPod？: http://www.csdn.net/article/2015-08-05/2825383

* 2. 使用Jsoup解析Epub3

private void parseEpub(){
    //2. 使用Jsoup解析Epub电子书
    //toc.ncx 复制放在assets目录
    try {
        InputStream is = getAssets().open("toc.ncx");
        int size = is.available();
        byte[] buffer = new byte[size];
        is.read(buffer);
        is.close();
        String epubText = new String(buffer, "utf-8");
        Document doc = Jsoup.parse(epubText);
        String docTitle = doc.getElementsByTag("docTitle").first().text();
        Elements eles = doc.getElementsByTag("navPoint");
        for(Element e : eles){
            String title = e.text();
            String href = e.getElementsByTag("content").first().attr("src");
            Log.i(TAG,  title + ": " + href);

        }
    } catch (IOException e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    }
}

运行结果

08-10 16:37:28.847: I/CARLOZ(16323): 第一章 童年: chapter_156815.xhtml
08-10 16:37:28.847: I/CARLOZ(16323): 第二章 灾难: chapter_156816.xhtml
08-10 16:37:28.847: I/CARLOZ(16323): 和尚的生涯: chapter_156817.xhtml
08-10 16:37:28.847: I/CARLOZ(16323): 第三章 踏上征途: chapter_156818.xhtml
08-10 16:37:28.847: I/CARLOZ(16323): 第四章 就从这里起步: chapter_156819.xhtml
08-10 16:37:28.847: I/CARLOZ(16323): 第五章 储蓄资本: chapter_156820.xhtml
08-10 16:37:28.847: I/CARLOZ(16323): 最后一个障碍: chapter_156821.xhtml
08-10 16:37:28.847: I/CARLOZ(16323): 第六章 霸业的开始: chapter_156822.xhtml
...