用jsoup解析获取一段网页内容的问题

这段html实际上是不符合规范的。在用jsoup解析时会出现问题。

我想到一个办法解决这个问题。

首先我想你应该是想得到 标题、馆藏复本的数目、可借复本的数目、朱印宏编著和长江出版社。

所以我们先把上面html里面的文字全部得到即：

java开发解析 馆藏复本：3 可借复本：0 朱印宏编著 长江出版社

然后我想在这段文字中 “馆藏复本：”、“可借复本：”、“编著” 这几个字应该是固定不变的。所以我们可以用正则表达式去对它进行解析，得到你想要的文字。

代码如下：

public class Test {

public static void main(String[] args) {

String html = "<div class=\"list_books\" id=\"list_books\"><td>java开发解析</td><p><span><strong>馆藏复本：</strong>3 <br /> <strong>可借复本：</strong>0 </span>朱印宏编著 <br /> 长江出版社</p> </div>";

Document doc = Jsoupparse(html);

String e = docselect("#list_books")text()replaceAll("[\\s]+", "");

//Systemoutprintln(e);

Pattern p = Patterncompile("^()馆藏复本：([\\d]+)可借复本：([\\d]+)()编著()$");

Matcher m = pmatcher(e);

if(mfind()){

for(int i=1;i<=mgroupCount();i++){

Systemoutprintln(mgroup(i));

}

}

}

}

如果如下：

java开发解析

3

0

朱印宏

长江出版社

jsoup可以解析出 js 的文件名，至于 js 文件里的内容，可以用程序下载能得到的，但这不是 jsoup 干的事。

参考实例如下：

Elements els = docselect("script");

for(Element el: els) {

//提取src信息

String src = elattr("src");

//得到js的地址了，就可以下载了。比如外部css样式表也可以类似的方式取出来

}

最近一直在学习xml相关的知识，为了知识的积累以及方便以后查阅，写了这篇关于xml的文章，同时也为正在学习xml标签的网友或者对xml知识感兴趣的，这篇文章不容错过。

首先我们需要了解的是xml是什么，它能做什么事情以及如何去学习它

xml全称 Extensiable markup language 译为可扩展标记语言 可扩展也就是标签可以自定义

这也是和html的区别之一

在讲解xml知识之前我们先来做下对比xml与html到底有哪些区别

1xml标签是自定义的，html标签是预定义

2xml语法严格，html语法松散

3xml存储数据，html展示数据

在软件开发中，我们可以使用xml来存储数据

储存方式有两种

1存储文件

2网络中传输

基本语法

1xml文档的后缀名，xml

2xml的第一行必须定义文档申明 <xml version=‘10’>文档申明

3xml文档有且仅有一个根标签

4属性值必须用引号引起来’’或“”

5标签必须正确关闭

6xml标签名称区分大小写

1格式<xml属性列表>

属性列表：

version：版本号

encoding：编码方式 告知解析引擎 当前文档使用的字符集 默认值ISO-8859-1

standalone :是否独立

取值：yes:不依赖其他文件 no：依赖其他文件

结合css来控制标签的样式<xml-stylesheet type=“text/css” href=“xxx”>

1规则：

名称可以含字母、数字以及其他的字符

名称不能以数字或者标点符号开始

名称不能以字符 “xml”（或者 XML、Xml）开始

名称不能包含空格

id属性值唯一

cdata区格式:在该区域中的数据会被原样展示

格式<![CDATA[{

首先我们先来看下约束的解析图

作为框架的使用者(程序员)

1能够在xml中引入约束文档

2能够简单的读懂约束文档

DTD技术

Schema:一种比较复杂的约束

DTD:

引入dtd文档到xml文档中

内部的dtd：将约束规则定义在xml文档中

一种是外部的dtd：将约束的规则定义在外部的dtd文件中

1本地：<!DOCTYPE 根标签名 SYSTEM “dtd文件的位置”>

2网络：<!DOCTYPE 根标签名 PUBLIC “dtd文件名字” “dtd文件的位置URL”>

*** 作xml文档

1解析（读取）:将文档中的数据读取到内存中，

2写入：将内存中的数据保存到xml文档中，持久化的存储

1DOM：将标记语言文档一次性加载到内存，在内存中形成一颗DOM树

优点： *** 作方便，可以对文档进行CRUD的所有 *** 作

缺点：占内存

2SAX：逐行读取，基于事件驱动的

优点：不占内存

缺点：只能读取，不能增删改

xml常见的解析器：

1JASP：sun公司提供的解析器 支持dom和sax思想

2DOM4J：一款非常优秀的解析器

3jsoup：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 *** 作方法来取出和 *** 作数据

4:PULL：android *** 作系统内置的解析器

快速入门：

步骤：

1导入相关的jar包

2获取document对象

3获取对应的标签Element对象

4获取数据

这里我以jsoup为例

对象的使用

1jsoup：工具类，可以解析html或xml文档，返回document

parse：解析html或xml文档，返回document

parse(File in,String charset)；解析html或xml文档的

parse(String html)解析html或xml字符串

parse(Url url, int timeoutMills)通过网络路径获取指定的html或xml的文档对象

2Document:文档对象，代表文档中的dom树 获取Elements对象

getElementById(String id)，根据id属性值获取唯一的element对象

getElementsByTag(String tagName)根据标签名称获取元素对象集合

getElementsByAttribute(String key) 根据属性名称获取元素对象集合

getElementsByAttributeValue(String key,String value)根据对应的属性名和属性值获取元素对象集合

3Elements:元素Element对象的集合，可以当作ArrayList<Element> 来使用

4Element：元素对象

1获取到它的子元素对象

5Mode：节点对象

是document和element的父类

快速查询方式：

1selector选择器

使用方法：Elements select(String cssQuery)

语法：参考Selector类中定义的语法

2xpath： XPath 即为 XML 路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。

语法

// 查询所有元素1标签

//元素1/元素2。查询所有元素1中的所有元素2

带有id属性的标签

//元素1/元素2[@id]

带有id属性值的标签元素1/元素2[@id=‘属性值’]

使用Jsoup的Xpath需要额外的导入jar包

查询w3c参考手册，使用xpath的语法完成

其实你这个问题说简单也简单，说麻烦也麻烦，首先拼真实的url时，它是通过一个js方法实现的，只要用java代码模拟这个过程就OK了。

麻烦的是你这个URL中含有中文 ，传入时会乱码，导致查询结果为空。

不知道，我说的对不对，我们可以讨论一下。

documentdocumentElement返回文档的根节点 documentactiveElement返回当前文档中被击活的标签节点 eventfromElement返回鼠标移出的源节点 eventtoElement返回鼠标移入的源节点 eventsrcElement返回激活事件的源节点

以上就是关于用jsoup解析获取一段网页内容的问题全部的内容，包括:用jsoup解析获取一段网页内容的问题、jsoup怎么解析javascript动态改变html标签的属性值、xml标签的正确使用等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！