jsoup，jsoup教程
本篇文章给大家谈谈jsoup，以及jsoup教程对应的知识点，文章可能有点长，但是希望大家可以阅读完，增长自己的知识，最重要的是希望对各位有所帮助，可以解决了您的问题，不要忘了收藏本站喔。
使用jsoup抓取分页的问题
这几天正在研究。废话不多说，直接上代码，自己研究的，通过迭代抓取。pageList就是抓取的分页页面的全部链接地址。
其中Document doc= NetUtils.getDocument(url);是jsoup抓取页面的基本操作。
public class HtmlAnalsysTest3{
static String url="http://www.win4000.com/mt/huge.html";
public static void main(String[] args){
analsysPage(url);
for(String hurl: pageList){
System.out.println(" hurl-->"+hurl);
}
}
//已经抓取的用来迭代过滤
static List<String> hisurl= new ArrayList<String>();
//所需要分页链接集合
static List<String> pageList= new ArrayList<String>();
private static void analsysPage(String url){
if(hisurl.contains(url)){
System.out.println("hisurl:"+hisurl.size());
return;
}
Document doc= NetUtils.getDocument(url);
if(doc==null){
System.out.println("doc is null"+url);
return;
}
hisurl.add(url);
String tag="body a";
String attr="abs:href";
String herfcontent="mt/huge";//只筛选胡歌的连接
Elements elemens= doc.select(tag);
for(Element e: elemens){
String href= e.attr(attr);
if(!href.contains(herfcontent)){
continue;
}
//System.out.println("页面page:"+ href);
if(!pageList.contains(href)){
pageList.add(href);
}
analsysPage(href);//迭代抓取，迭代过程会自动找后后续的页面
}
}
}
最终结果输出：
hurl-->http://www.win4000.com/mt/huge_2.html
hurl-->http://www.win4000.com/mt/huge_1.html
hurl-->http://www.win4000.com/mt/huge_3.html
hurl-->http://www.win4000.com/mt/huge_4.html
hurl-->http://www.win4000.com/mt/huge_5.html
hurl-->http://www.win4000.com/mt/huge.html
jsoup和jquery的区别是什么
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。该版本包含一个支持 HTML5的解析器分支，可确保跟现在的浏览器一样解析 HTML的方法，同时降低了解析的时间和内存的占用。
Jquery是继prototype之后又一个优秀的Javascrīpt框架。它是轻量级的js库，它兼容CSS3，还兼容各种浏览器（IE 6.0+, FF 1.5+, Safari 2.0+, Opera 9.0+）。jQuery使用户能更方便地处理HTML documents、events、实现动画效果，并且方便地为网站提供AJAX交互。jQuery还有一个比较大的优势是，它的文档说明很全，而且各种应用也说得很详细，同时还有许多成熟的插件可供选择。jQuery能够使用户的html页保持代码和html内容分离，也就是说，不用再在html里面插入一堆js来调用命令了，只需定义id即可。
希望能帮到你~
jsoup教程
jsoup是一款Java的HTML解析器，主要用来对HTML解析。官网中文文档
在爬虫的时候，当我们用HttpClient之类的框架，获取到网页源码之后，需要从网页源码中取出我们想要的内容，
就可以使用jsoup这类HTML解析器了。可以非常轻松的实现。
虽然jsoup也支持从某个地址直接去爬取网页源码，但是只支持HTTP，HTTPS协议，支持不够丰富。
所以，主要还是用来对HTML进行解析。
◆其中，要被解析的HTML可以是一个HTML的字符串，可以是一个URL，可以是一个文件。
org.jsoup.Jsoup把输入的HTML转换成一个org.jsoup.nodes.Document对象，然后从Document对象中取出想要的元素。
org.jsoup.nodes.Document继承了org.jsoup.nodes.Element，Element又继承了org.jsoup.nodes.Node类。里面提供了丰富的方法来获取HTML的元素。
◇从URL获取HTML来解析
其中Jsoup.connect("xxx")方法返回一个org.jsoup.Connection对象。
在Connection对象中，我们可以执行get或者post来执行请求。但是在执行请求之前，
我们可以使用Connection对象来设置一些请求信息。比如：头信息，cookie，请求等待时间，代理等等来模拟浏览器的行为。
◆获得Document对象后，接下来就是解析Document对象，并从中获取我们想要的元素了。
Document中提供了丰富的方法来获取指定元素。
◇使用DOM的方式来取得
getElementById(String id)：通过id来获取
getElementsByTag(String tagName)：通过标签名字来获取
getElementsByClass(String className)：通过类名来获取
getElementsByAttribute(String key)：通过属性名字来获取
getElementsByAttributeValue(String key, String value)：通过指定的属性名字，属性值来获取
getAllElements()：获取所有元素
◇通过类似于css或jQuery的选择器来查找元素
使用的是Element类的下记方法：
public Elements select(String cssQuery)
通过传入一个类似于CSS或jQuery的选择器字符串，来查找指定元素。
例子：
选择器的更多语法(可以在org.jsoup.select.Selector中查看到更多关于选择器的语法)：
tagname:通过标签查找元素，比如：a
ns|tag:通过标签在命名空间查找元素，比如：可以用 fb|name语法来查找<fb:name>元素
#id:通过ID查找元素，比如：#logo
.class:通过class名称查找元素，比如：.masthead
[attribute]:利用属性查找元素，比如：[href]
[^attr]:利用属性名前缀来查找元素，比如：可以用[^data-]来查找带有HTML5 Dataset属性的元素
[attr=value]:利用属性值来查找元素，比如：[width=500]
[attr^=value], [attr$=value], [attr=value]:利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href=/path/]
[attr~=regex]:利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i).(png|jpe?g)]
*:这个符号将匹配所有元素
Selector选择器组合使用
el#id:元素+ID，比如： div#logo
el.class:元素+class，比如： div.masthead
el[attr]:元素+class，比如： a[href]
任意组合，比如：a[href].highlight
ancestor child:查找某个元素下子元素，比如：可以用.body p查找在"body"元素下的所有 p元素
parent> child:查找某个父元素下的直接子元素，比如：可以用div.content> p查找 p元素，也可以用body>*查找body标签下所有直接子元素
siblingA+ siblingB:查找在A元素之前第一个同级元素B，比如：div.head+ div
siblingA~ siblingX:查找A元素之前的同级X元素，比如：h1~ p
el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo
伪选择器selectors
:lt(n):查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3)表示小于三列的元素
:gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素
:eq(n):查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
:has(seletor):查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
:not(selector):查找与选择器不匹配的元素，比如： div:not(.logo)表示不包含 class="logo"元素的所有 div列表
:contains(text):查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)
:containsOwn(text):查找直接包含给定文本的元素
:matches(regex):查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
:matchesOwn(regex):查找自身包含文本匹配指定正则表达式的元素
注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等
◆通过上面的选择器，我们可以取得一个Elements对象，它继承了ArrayList对象，里面放的全是Element对象。
接下来我们要做的就是从Element对象中，取出我们真正需要的内容。
通常有下面几种方法：
◇Element.text()
这个方法用来取得一个元素中的文本。
◇Element.html()或Node.outerHtml()
这个方法用来取得一个元素中的html内容
◇Node.attr(String key)
获得一个属性的值，例如取得超链接<a rel="external nofollow" href="">中href的值
json字符串-数组类型与JSONArray之间的转换
复杂json格式字符串与JSONObject之间的转换
感谢您的阅读！希望本文对解决您关于jsoup和jsoup教程的问题有所帮助。如果您还有其他疑问，欢迎随时向我们提问。