用Java解析HTML

当前位置：主页 > 学无止境 > 编程语言 > Java >

Python PHP Java Go TypeScript C++ Vba Node.js C语言 MATLAB

用Java解析HTML

作者：迹忆客最近更新：2023/08/07 浏览次数：

如果您正在开发一个处理 HTML 文件的程序，您可能需要找到一种有效解析 HTML 文件的方法。您可以使用最常用的网页抓取工具 Jsoup 通过 Java 编程语言快速解析 HTML 文件。

本文讨论如何解析 HTML 文件。此外，我们将通过提供必要的示例和解释来讨论该主题，以使该主题更容易。

Jsoup 在 Java 中的工作

Jsoup 的工作原理是解析网页的 HTML 文件，然后将其转换为 Document 对象。您可以将其视为 DOM 的编程表示。

Jsoup 中名为 parse 的方法创建文档。下面讨论 Jsoup 的一些功能：

parse(File MyFile, @Nullable String charsetName) - 用于解析 HTML 文件。
parse(InputStream in, @Nullable String CharsetName, String BaseUri) - 读取 InputStream 并解析它。
parse(String html) - 用于解析 HTML 字符串。

Java中使用Jsoup解析HTML

我们下面的示例将使用 Jsoup 解析网站。我们示例的 Java 代码如下：

// importing necessary packages
package javaparsehtml;

import java.io.IOException;
import java.io.InputStream;
import java.net.HttpURLConnection;
import java.net.MalformedURLException;
import java.net.URL;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

public class JavaParseHtml {

    public static void main(String[] args) {
       URL MyUrl; 
        try {
            // Providing the URL of the website
            MyUrl = new URL("https://www.example.com");
            HttpURLConnection MyConnection;
            try {
                // Create an Http connection
                MyConnection = (HttpURLConnection) MyUrl.openConnection();
                // Defining the request format
                MyConnection.setRequestProperty("accept", "application/json");

                try {
                    // Create a response stream
                    InputStream ResponseStream = MyConnection.getInputStream();

                    // Parsing the website
                    Document MyDoc = Jsoup.parse(ResponseStream,
                                                 "UTF-8", "https://www.example.com");
                    // Showing the output as HTML
                    System.out.println(MyDoc.html());
                } catch (IOException e) {
                    e.printStackTrace();
                }
            } catch (IOException e) {
                e.printStackTrace();
            }

        } catch (MalformedURLException e) {
            e.printStackTrace();
        }
      }
  }

在上面的示例中，我们将说明如何解析 HTML 文件，并且我们已经掌握了每一行的用途。

在示例中，我们根据提供的 URL 创建了一个 HTTP 连接，然后定义了请求的属性。之后，我们创建了一个InputStream并解析了网站。

最后，我们将网站打印为输出。执行上述 Java 程序后，您将得到如下输出：

<!doctype html>
<html>
 <head>
  <title>Example Domain</title>
  <meta charset="utf-8">
  <meta http-equiv="Content-type" content="text/html; charset=utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1">
  <style type="text/css">
    body {
        background-color: #f0f0f2;
        margin: 0;
        padding: 0;
        font-family: -apple-system, system-ui, BlinkMacSystemFont, "Segoe UI", "Open Sans", "Helvetica Neue", Helvetica, Arial, sans-serif;
        
    }
    div {
        width: 600px;
        margin: 5em auto;
        padding: 2em;
        background-color: #fdfdff;
        border-radius: 0.5em;
        box-shadow: 2px 3px 7px 2px rgba(0,0,0,0.02);
    }
    a:link, a:visited {
        color: #38488f;
        text-decoration: none;
    }
    @media (max-width: 700px) {
        div {
            margin: 0 auto;
            width: auto;
        }
    }
    </style>
 </head>
 <body>
  <div>
   <h1>Example Domain</h1>
   <p>This domain is for use in illustrative examples in documents. You may use this domain in literature without prior coordination or asking for permission.</p>
   <p><a href="https://www.iana.org/domains/example">More information...</a></p>
  </div>
 </body>
</html>