怎么使用Jsoup實現數據抽取

這篇文章主要介紹“怎么使用Jsoup實現數據抽取”，在日常操作中，相信很多人在怎么使用Jsoup實現數據抽取問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”怎么使用Jsoup實現數據抽取”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

1、使用DOM方法來遍歷一個文檔

問題

你有一個HTML文檔要從中提取數據，并了解這個HTML文檔的結構。

方法

將HTML解析成一個Document之后，就可以使用類似于DOM的方法進行操作。示例代碼：

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

Element content = doc.getElementById("content");
Elements links = content.getElementsByTag("a");
for (Element link : links) {
  String linkHref = link.attr("href");
  String linkText = link.text();
}

說明

Elements這個對象提供了一系列類似于DOM的方法來查找元素，抽取并處理其中的數據。具體如下：

查找元素

• getElementById(String id)

• getElementsByTag(String tag)

• getElementsByClass(String className)

• getElementsByAttribute(String key) (and related methods)

• Element siblings:siblingElements(),firstElementSibling(),lastElementSibling();nextElementSibling(),previousElementSibling()

• Graph:parent(),children(),child(int index)

元素數據

• attr(String key)獲取屬性attr(String key, String value)設置屬性

• attributes()獲取所有屬性

• id(),className() andclassNames()

• text()獲取文本內容text(String value) 設置文本內容

• html()獲取元素內HTMLhtml(String value)設置元素內的HTML內容

• outerHtml()獲取元素外HTML內容

• data()獲取數據內容（例如：script和style標簽)

• tag() andtagName()

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)



2、使用選擇器語法來查找元素

問題

你想使用類似于CSS或jQuery的語法來查找和操作元素。

方法

可以使用Element.select(String selector) 和 Elements.select(String selector) 方法實現：

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

Elements links = doc.select("a[href]"); //帶有href屬性的a元素
Elements pngs = doc.select("img[src$=.png]");
  //擴展名為.png的圖片

Element masthead = doc.select("div.masthead").first();
  //class等于masthead的div標簽

Elements resultLinks = doc.select("h4.r > a"); //在h4元素之后的a元素

說明

jsoup elements對象支持類似于CSS (或jquery)的選擇器語法，來實現非常強大和靈活的查找功能。.

這個select 方法在Document, Element,或Elements對象中都可以使用。且是上下文相關的，因此可實現指定元素的過濾，或者鏈式選擇訪問。

Select方法將返回一個Elements集合，并提供一組方法來抽取和處理結果。

Selector選擇器概述

• tagname: 通過標簽查找元素，比如：a

• ns|tag: 通過標簽在命名空間查找元素，比如：可以用fb|name 語法來查找<fb:name> 元素

• #id: 通過ID查找元素，比如：#logo

• .class: 通過class名稱查找元素，比如：.masthead

• [attribute]: 利用屬性查找元素，比如：[href]

• [^attr]: 利用屬性名前綴來查找元素，比如：可以用[^data-] 來查找帶有HTML5 Dataset屬性的元素

• [attr=value]: 利用屬性值來查找元素，比如：[width=500]

• [attr^=value],[attr$=value],[attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素，比如：[href*=/path/]

• [attr~=regex]: 利用屬性值匹配正則表達式來查找元素，比如：img[src~=(?i)\.(png|jpe?g)]

• *: 這個符號將匹配所有元素

Selector選擇器組合使用

• 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]

• 任意組合，比如：a[href].highlight

• ancestor child: 查找某個元素下子元素，比如：可以用.body p 查找在"body"元素下的所有p元素

• parent > child: 查找某個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標簽下所有直接子元素

• siblingA + siblingB: 查找在A元素之前第一個同級元素B，比如：div.head + div

• siblingA ~ siblingX: 查找A元素之前的同級X元素，比如：h2 ~ p

• el, el, el:多個選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo

偽選擇器selectors

• :lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對于它的父節點）小于n，比如：td:lt(3) 表示小于三列的元素

• :gt(n):查找哪些元素的同級索引值大于n，比如：div p:gt(2)表示哪些div中有包含2個以上的p元素

• :eq(n): 查找哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個input標簽的Form元素

• :has(seletor): 查找匹配選擇器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素

• :not(selector): 查找與選擇器不匹配的元素，比如：div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表

• :contains(text): 查找包含給定文本的元素，搜索不區分大不寫，比如：p:contains(jsoup)

• :containsOwn(text): 查找直接包含給定文本的元素

• :matches(regex): 查找哪些元素的文本匹配指定的正則表達式，比如：div:matches((?i)login)

• :matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素

• 注意：上述偽選擇器索引是從0開始的，也就是說第一個元素索引值為0，第二個元素index為1等

可以查看Selector API參考來了解更詳細的內容

3、從元素抽取屬性，文本和HTML

問題

在解析獲得一個Document實例對象，并查找到一些元素之后，你希望取得在這些元素中的數據。

方法

• 要取得一個屬性的值，可以使用Node.attr(String key) 方法

• 對于一個元素中的文本，可以使用Element.text()方法

• 對于要取得元素或屬性中的HTML內容，可以使用Element.html(), 或Node.outerHtml()方法

示例：

String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";
Document doc = Jsoup.parse(html);//解析HTML字符串返回一個Document實現
Element link = doc.select("a").first();//查找第一個a元素

String text = doc.body().text(); // "An example link"//取得字符串中的文本
String linkHref = link.attr("href"); // "http://example.com/"//取得鏈接地址
String linkText = link.text(); // "example""//取得鏈接地址中的文本

String linkOuterH = link.outerHtml(); 
    // "<a href="http://example.com"><b>example</b></a>"
String linkInnerH = link.html(); // "<b>example</b>"//取得鏈接內的html內容

說明

上述方法是元素數據訪問的核心辦法。此外還其它一些方法可以使用：

• Element.id()

• Element.tagName()

• Element.className() andElement.hasClass(String className)

這些訪問器方法都有相應的setter方法來更改數據.

4、處理URLs

問題

你有一個包含相對URLs路徑的HTML文檔，需要將這些相對路徑轉換成絕對路徑的URLs。

方法

1. 在你解析文檔時確保有指定base URI，然后

2. 使用abs: 屬性前綴來取得包含base URI的絕對路徑。代碼如下：

Document doc = Jsoup.connect("http://www.open-open.com").get();

Element link = doc.select("a").first();
String relHref = link.attr("href"); // == "/"
String absHref = link.attr("abs:href"); // "http://www.open-open.com/"

說明

在HTML元素中，URLs經常寫成相對于文檔位置的相對路徑： <a href="/download">...</a>. 當你使用 Node.attr(String key) 方法來取得a元素的href屬性時，它將直接返回在HTML源碼中指定定的值。

假如你需要取得一個絕對路徑，需要在屬性名前加 abs: 前綴。這樣就可以返回包含根路徑的URL地址attr("abs:href")

因此，在解析HTML文檔時，定義base URI非常重要。

如果你不想使用abs: 前綴，還有一個方法能夠實現同樣的功能 Node.absUrl(String key)。

到此，關于“怎么使用Jsoup實現數據抽取”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！