Jsoup怎么解析HTML？

wen python案例 2026-07-22 2

本文目录导读：

Jsoup怎么解析HTML？

添加依赖
解析 HTML 的三种方式
提取数据的基本操作
完整示例：爬取新闻标题
常用 API 汇总
注意事项

Jsoup 是一个 Java 库，用于解析、提取和操作 HTML 文档，以下是使用 Jsoup 解析 HTML 的完整指南：

添加依赖

Maven

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.17.2</version>
</dependency>

Gradle

implementation 'org.jsoup:jsoup:1.17.2'

解析 HTML 的三种方式

从 URL 直接解析

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
Document doc = Jsoup.connect("https://example.com")
    .userAgent("Mozilla/5.0")
    .timeout(5000)
    .get();

从 HTML 字符串解析

String html = "<html><head><title>示例</title></head><body><p>Hello World</p></body></html>";
Document doc = Jsoup.parse(html);

从本地文件解析

File input = new File("/path/to/file.html");
Document doc = Jsoup.parse(input, "UTF-8");

提取数据的基本操作

获取元素文本内容

// 获取特定元素文本
String text = doc.body().text();
// 获取第一个匹配的元素
Element firstParagraph = doc.select("p").first();
String paraText = firstParagraph.text();
// 获取元素的 HTML 内容
String htmlContent = firstParagraph.html();

使用 CSS 选择器

// 通过 ID 选择
Element element = doc.select("#myId").first();
// 通过类名选择
Elements elements = doc.select(".myClass");
// 通过标签名选择
Elements paragraphs = doc.select("p");
// 组合选择器
Elements links = doc.select("div.content a[href]");
// 属性选择
Elements images = doc.select("img[src$=.jpg]");

获取元素属性

// 获取链接
Elements links = doc.select("a[href]");
for (Element link : links) {
    String href = link.attr("href");
    String text = link.text();
}
// 获取图片地址
Elements images = doc.select("img[src]");
for (Element img : images) {
    String src = img.attr("abs:src"); // 获取绝对路径
    String alt = img.attr("alt");
}

完整示例：爬取新闻标题

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.IOException;
public class JsoupExample {
    public static void main(String[] args) {
        try {
            // 连接到目标网站
            Document doc = Jsoup.connect("https://news.example.com")
                .userAgent("Mozilla/5.0 (Windows NT 10.0; Win64; x64)")
                .timeout(10000)
                .get();
            // 选择新闻标题
            Elements newsTitles = doc.select("h2.news-title a");
            // 遍历并打印
            for (Element title : newsTitles) {
                String newsText = title.text();
                String newsLink = title.attr("abs:href");
                System.out.println("标题: " + newsText);
                System.out.println("链接: " + newsLink);
                System.out.println("---");
            }
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

常用 API 汇总

方法	描述
`getElementById(String id)`	根据 ID 获取元素
`getElementsByTag(String tag)`	根据标签名获取元素
`getElementsByClass(String className)`	根据类名获取元素
`select(String cssQuery)`	CSS 选择器查询
`attr(String key)`	获取属性值
`text()`	获取文本内容
`html()`	获取 HTML 内容
`outerHtml()`	获取包含自身标签的 HTML
`hasAttr(String key)`	是否有指定属性

注意事项

处理编码问题：使用 Jsoup.parse(html, "UTF-8") 指定编码
添加 User-Agent：避免被服务器拒绝
设置超时：timeout(int millis) 防止请求卡住
异常处理：网络请求需要处理 IOException

如果需要更高级的用法,如处理动态加载的内容，可能需要结合 Selenium 或 Playwright 等工具。