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，並了解這個HTML文檔的結構。
方法
將HTML解析成一個Document之后，就可以使用類似於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於DOM的方法來查找元素，抽取並處理其中的數據。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
你想使用類似於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$=.png]");
//擴展名為.png的圖片
Element masthead = doc.select("div.masthead").first();
//class等於masthead的div標簽
Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素
說明
jsoup elements對象支持類似於CSS (或jquery)的選擇器語法，來實現非常強大和靈活的查找功能。.
這個select 方法在Document, Element,或Elements對象中都可以使用。且是上下文相關的，因此可實現指定元素的過濾，或者鏈式選擇訪問。
Select方法將返回一個Elements集合，並提供一組方法來抽取和處理結果。
Selector選擇器概述
tagname: 通過標簽查找元素，比如：ans|tag: 通過標簽在命名空間查找元素，比如：可以用fb|name語法來查找<fb:name>元素#id: 通過ID查找元素，比如：#logo.class: 通過class名稱查找元素，比如：.masthead[attribute]: 利用屬性查找元素，比如：[href][^attr]: 利用屬性名前綴來查找元素，比如：可以用[^data-]來查找帶有HTML5 Dataset屬性的元素[attr=value]: 利用屬性值來查找元素，比如：[width=500][attr^=value],[attr$=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#logoel.class: 元素+class，比如：div.mastheadel[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 + divsiblingA ~ siblingX: 查找A元素之前的同級X元素，比如：h1 ~ pel, 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樹中是相對於它的父節點）小於n，比如：td:lt(3)表示小於三列的元素:gt(n):查找哪些元素的同級索引值大於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，並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 - 對於一個元素中的文本，可以使用
Element.text()方法 - 對於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：
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
- 在你解析文檔時確保有指定
base URI，然后 - 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經常寫成相對於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)。