使用JSOUP实现网络爬虫入门:解析和遍历一个HTML文档
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。
jsoup的主要功能如下:
1. 从一个URL,文件或字符串中解析HTML; 2. 使用DOM或CSS选择器来查找、取出数据; 3. 可操作HTML元素、属性、文本;如何解析一个HTML文档:
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);
其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果,无论HTML的格式是否完整。比如它可以处理:
- 没有关闭的标签 (比如:
<p>Lorem <p>Ipsum
parses to<p>Lorem</p> <p>Ipsum</p>
) - 隐式标签 (比如. 它可以自动将
<td>Table data</td>
包装成<table><tr><td>?
) - 创建可靠的文档结构(html标签包含head 和 body,在head只出现恰当的元素)
- 文档由多个Elements和TextNodes组成 (以及其它辅助nodes:详细可查看:nodes package tree).
- 其继承结构如下:Document继承Element继承Node. TextNode继承 Node.
- 一个Element包含一个子节点集合,并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。
关注公众号:拾黑(shiheibook)了解更多
[广告]赞助链接:
四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

随时掌握互联网精彩
赞助链接
排名
热点
搜索指数
- 1 总书记关心的世界文化遗产 7904070
- 2 泰国与印度空难幸存者座位都是11A 7808450
- 3 伊以冲突 有个中东国家态度耐人寻味 7712254
- 4 “棒棒”父亲收到了儿子的礼物 7617119
- 5 大学里的男生为什么越来越少了 7520626
- 6 央视曝光偷工减料的公共健身器材 7425742
- 7 伊朗首次白天发动袭击 当晚再发导弹 7334010
- 8 泡泡玛特创始人:无用才是真正的永恒 7238881
- 9 曝特朗普否决刺杀哈梅内伊计划 7142491
- 10 陈梦称求婚现场人越多越好 7041419