解析html文件

1、当我们通过发送http请求时，有时候返回结果是一个html格式字符串，你需要从一个网站获取和解析一个HTML文档，并查找其中的相关数据。你可以使用下面解决方法：

使用 Jsoup.connect(String url)方法:

//发送请求
        Document doc = Jsoup.connect("https://www.baidu.com/").get();
        //获取id号为kw的控件
        Element content = doc.getElementById("kw");
        //输出控件所有属性
        System.out.println(content.attributes());

输出结果 id="kw" name="wd" class="s_ipt" value="" maxlength="255" autocomplete="off"

页面源代码显示，他其实与输出结果是一致的，这就好比是selenium自动化框架一样，通过 driver.findElement(By.id("kw"));找到这个控件，然后堆空间进行各种操作。

说明

connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。如果从该URL获取HTML时发生错误，便会抛出 IOException，应适当处理。

Connection 接口还提供一个方法链来解决特殊请求，具体如下：

Document doc = Jsoup.connect("http://example.com")
  .data("query", "Java")
  .userAgent("Mozilla")
  .cookie("auth", "token")
  .timeout(3000)
  .post();

 数据抽取

1、使用DOM方法来遍历一个document对象

既然我们想要从html中获取指定数据，那么我们先得要找到该控件，我们把它叫做Elements对象，然后才是获取该控件的某些值。

• 查找元素 getElementById(String id)   通过id号查找
• getElementsByTag(String tag) 标签名查找
• getElementsByClass(String className) class名查找
• getElementsByAttribute(String key) (and related methods)
• Element siblings: siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()
• Graph: parent(), children(), child(int index) 

元素数据

• attr(String key)获取属性attr(String key, String value)设置属性
• attributes()获取所有属性
• id(), className() and classNames()
• text()获取文本内容text(String value) 设置文本内容
• html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
• outerHtml()获取元素外HTML内容
• data()获取数据内容（例如：script和style标签)
• tag() and tagName()

操作HTML和文本

• append(String html), prepend(String html)
• appendText(String text), prependText(String text)
• appendElement(String tagName), prependElement(String tagName)
• html(String value)

 示例1：获取控件name值

//发送请求
         Document doc = Jsoup.connect("https://www.baidu.com/").get();
         //获取class名为s_ipt所有element对象
         Elements element = doc.getElementsByClass("s_ipt");
         //获取第一个element对象的name属性值
         String value = element.get(0).attr("name");
         System.out.println(value);

示例2：当没有id或name的元素，只能通过相对路径来进行查找。

//发送请求
         Document doc = Jsoup.connect("https://www.baidu.com/").get();
         //获取id为u1的第一个子元素
         Element element = doc.getElementById("u1").child(0);
         //获取元素链接
         String value1 = element.attr("href");
         //获取元素文本内容
         String value2 = element.text();

输出结果：

http://news.baidu.com
新闻

参考

1、jsoup学习总结：http://blog.csdn.net/u010814849/article/details/52526582

2、http://www.open-open.com/jsoup/load-document-from-url.htm

3、jsoup学习总结：http://www.cnblogs.com/tomcattd/archive/2013/01/02/2842137.html