在上一篇博文 java爬取網頁內容簡單例子（1）——使用正規表示式裡面，介紹瞭如何使用正規表示式去解析網頁的內容，雖然該正規表示式比較通用，但繁瑣，程式碼量多，現實中想要想出一條簡單的正規表示式對於沒有很好正規表示式基礎的人——比如說我T_T——是一件蠻困難的事。這一篇，我們改用jsoup，一個強大的解析html工具，去解析html，你會發現，一切都變得很容易。

【準備工作】

：jsoup-1.6.1.jar

【先看效果】

目標網站：中國天氣

目的：獲取今天的天氣

目標HTML程式碼：

複製程式碼

今天

8日

雷陣雨

33°C

25°C

微風

複製程式碼

解析的java程式碼：

（1）審查網頁元素後發現，我們要的內容在上面的目標HTML程式碼中，在整個網頁中是在 class="dn on" data-dn="7d1" 的

中

（2）“今天” 兩字在

中

（3）“8日” 兩字在

中

（4）“雷陣雨” 三字在 class="wea" 中

（5）“33” 在第一個中

（6）“25” 在第二個中

（7）“微風” 兩字在第三個中

有了上面的分析，要獲取到這些天氣內容就易如反掌了。如下java程式碼：

複製程式碼

1 package com.zjm.

2

3 import java.io.IOException;

4

5 import org.jsoup.Jsoup;

6 import org.jsoup.nodes.Document;

7 import org.jsoup.select.Elements;

8

9 public class TestJsoup {

10

11 public Document getDocument (String url){

12 try {

13 return Jsoup.connect(url).get();

14 } catch (IOException e) {

15 e.printStackTrace();

16 }

17 return null;

18 }

19

20 public static void main(String[] args) {

21 TestJsoup t = new TestJsoup();

22 Document doc = t.getDocument("");

23 // 獲取目標HTML程式碼

24 Elements elements1 = doc.select("[class=dn on][data-dn=7d1]");

25 // 今天

26 Elements elements2 = elements1.select("h1");

27 String today = elements2.get(0).text();

28 System.out.println(today);

29 // 幾號

30 Elements elements3 = elements1.select("h2");

31 String number = elements3.get(0).text();

32 System.out.println(number);

33 // 是否有雨

34 Elements elements4 = elements1.select("[class=wea]");

35 String rain = elements4.get(0).text();

36 System.out.println(rain);

37 // 高的溫度

38 Elements elements5 = elements1.select("span");

39 String highTemperature = elements5.get(0).text()+"°C";

40 System.out.println(highTemperature);

41 // 低的溫度

42 String lowTemperature = elements5.get(1).text()+"°C";

43 System.out.println(lowTemperature);

44 // 風力

45 Elements elements6 = elements1.select("i");

46 String wind = elements6.get(2).text();

47 System.out.println(wind);

48 }

49 }

複製程式碼

結果列印出：

1 今天

2 8日

3 雷陣雨

4 33°C

5 25°C

6 微風

【詳解】

附:

jsoup的官方中文文件為：

API為：

java程式碼第13行：

　　從文件中我們可用看出，獲取資料來源的方法有三：

（1）從一段html程式碼字串獲取：　　Document doc = Jsoup.parse(html);

（2）從一個url獲取：　　　　　　　　Document doc = Jsoup.connect("").get();

（3）從一個html檔案獲取　　　　　　File input = new File("/tmp/input.html"); Document doc = Jsoup.parse(input, "UTF-8", "");

這裡，我們採取了第二種方法，從url中獲取。

java程式碼第24、26、30、34、38行：

　　Document 繼承自 Element 類，而Element類有一個很好的方法，叫select ，這個選擇器幾乎無所不能。快速從一堆html程式碼中獲取我們想要的一段，我覺得使用select最方便。下面我們來看怎麼使用select方法來查詢。

注：以下表格的結果都是使用以下語句列印出來的

for(Element e : elements) {

System.out.println(e.text());

}

select詳解

描述測試的HTML程式碼 select寫法

結果

透過

標籤名

來查詢

33

25

Elements elements = doc.select("span");

注：透過標籤來查詢，直接寫 "標籤名" 就好，不需要尖括號。

33

25

透過

id

來查詢

36

20

Elements elements = doc.select("#mySpan");

注：透過id來查詢，使用方法跟css指定元素一樣，用#

36

透過

class名

來查詢

36

20

Elements elements = doc.select(".myClass");

注：透過id來查詢，使用方法跟css指定元素一樣，用 .

36

利用標籤內

屬性名

查詢元素

36

Elements elements = doc.select("span[class=class1]span[id=id1]");

注：規則為標籤名【屬性名=屬性值】，標籤名可寫可不寫，多個屬性即多個【】，如上。

36

利用標籤內

屬性名字首

查詢元素

36

22

Elements elements = doc.select("span[^cl]");

注：規則為標籤名【^屬性名字首】，標籤名可寫可不寫，多個屬性即多個【】。

36

22

利用標籤內

屬性名+正規表示式

查詢元素

36

22

Elements elements = doc.select("span[class~=^AB]");

注：規則為標籤名【屬性名~=正規表示式】，以上的正規表示式的意思是查詢以class值以AB為開頭的標籤，標籤名可寫可不寫，多個屬性即多個【】

36

利用標籤

文字包含某些內容

來查詢

36

22

Elements elements = doc.select("span:contains(3)");

注：規則為標籤名:contains(文字值)

36

利用標籤

文字包含某些內容+正規表示式

來查詢

36

22

Elements elements = doc.select("span:matchesOwn(^3)");

注：規則為標籤名:matchesOwn(正規表示式)，以上的正則表式的意思是以文字值以3為開頭的標籤

36

關於select，還有一些其他的查詢方法，以上只列出個人覺得比較好用、常用的語法。

select方法返回的是一個Elements 物件，裡面包含著找到的所有節點。遍歷Elements ，透過get（index），就可以拿出具體的節點了。透過節點的text()方法，就可用拿出文字值。

而想得到節點的其他屬性，可以看API的介紹。

出處:

java爬蟲簡單例子——附jsoup的select用法詳解

今天

8日

相關文章