[java] jsoup使用简介-汇率换算器实现-插曲2

 

[java] jsoup使用简介-汇率换算器实现-插曲2

Table of Contents

• 1 系列文章地址
• 2 更多参考资料
• 3 解释遍历一个html文档和html字符串
  • 3.1 运行环境设置及运行
  • 3.2 直接输出Document
  • 3.3 parse(String html, String baseUri)中baseUri具体指什么
• 4 解释一个body片断
• 5 从一个URL, 文件加载一个Document对象
• 6 其他更多文档中的内容请参见
• 7 其中常用的数据结构简介
  • 7.1 Element
  • 7.2 Elements

1 系列文章地址

• java 汇率换算器的实现(1)
• java 汇率换算器的实现(2)
• java 汇率换算器实现-插曲1-正则表达式(1)
• java 汇率换算器的实现(3)

2 更多参考资料

http://blog.csdn.net/column/details/jsoup.html http://www.mkyong.com/java/jsoup-html-parser-hello-world-examples/

3 解释遍历一个html文档和html字符串

传送门 http://www.open-open.com/jsoup/parsing-a-document.htm http://www.open-open.com/jsoup/parse-document-from-string.htm

原文中给出的例子如下:

String html = ""
  + "
Parsed HTML into a doc.
";
Document doc = Jsoup.parse(html);

单单这个示例, 就引出了以下问题:

1. 能够直接运行吗?
2. 直接输出Document的结果?

3.1 运行环境设置及运行

下载jsoup.jar包, 将其放置到yourpath, 编写代码的时候具体import的内容, 应该根据jsoup的tree 进行import, 如上面的例子中使用了 Jsoup 和 Document, 那么在文件的开头就应该有这样两句话:

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

剩下的完整的内容如下:

// 再简单地将示例放入main函数中
public class JsoupDemo{
    public static void main(String[] args)
    throws Exception {
        // Document doc = Jsoup.connect("http://en.wikipedia.org/").get();
        String html = ""
            + "
Parsed Html into a doc.
";
        Document doc = Jsoup.parse(html);
        System.out.println(doc);
    }
}  

3.2 直接输出Document

编译运行如下(linux):

javac -classpath yourpath/jsoup.jar JsoupDemo.java
java -cp yourpath/jsoup.jar:./ JsoupDemo

最后可以发现通过parse处理后输出地结果为格式化后的html代码:

 
  
 
 
  
Parsed Html into a doc.
 

3.3 parse(String html, String baseUri)中baseUri具体指什么

如在html中出现了相对路径, 如 href="page/a.html", 那么就会被解析为 href="$baseUri/page/a.html" 如将示例进行修改为:

String html = ""

然后调用:

Document doc = Jsoup.parse(html, "http://example.com/");

最后输出的doc依然和String html相同. 那么这个额外的baseUri是怎么起作用的呢. google了一下, 参见: stackoverflow中的解释 , 可见需要下述的方式才能够起作用:

for (Element link : doc.select("a")) {
  System.out.println(link.absUrl("href"));
}

4 解释一个body片断

传送门 http://www.open-open.com/jsoup/parse-body-fragment.htm

Jsoup.parseBodyFragment 方法可以将字符串中的标签忽略, 剩下的内容都为body部份. 可以将示例中的String html改为下面的方式, 并比较两者之间不同的输出结果:

String html = "
Lorem ipsum.
";

5 从一个URL, 文件加载一个Document对象

传送门 http://www.open-open.com/jsoup/load-document-from-url.htm http://www.open-open.com/jsoup/load-document-from-file.htm

通过以下尝试, 得知Jsoup在connect过程中, 已经对html文档的相应的编码方式进行了处理:

Document doc = Jsoup.connect("http://www.baidu.com/").get();
System.out.println(doc)

6 其他更多文档中的内容请参见

传送门 http://www.open-open.com/jsoup/dom-navigation.htm

7 其中常用的数据结构简介

 

7.1 Element

html的element包括形如: text 的部份.

常用的方法有:

• attr: 获得相应属性的内容
• getElementsBy{many different kinds}: 获取不同类型的集合
• text: 获取这个元素以及子集所包含的文本
• 其他参见: http://jsoup.org/apidocs/org/jsoup/nodes/Element.html

7.2 Elements

表示结构相同的element的集合

常用的方法:

• 对element进行遍历:

  Elements eles = ...;
  for (Element ele : eles) {} 对elements进行遍历
  

• select: 选择相应结构的elements
• get: 获取特定index的element
• 其他参见: http://jsoup.org/apidocs/org/jsoup/select/Elements.html

Date: 2014-05-14 Wed

Author: Zhong Xiewei

Org version 7.8.11 with Emacs version 24

Validate XHTML 1.0