解析和遍历一个HTML文档 · 网络爬虫知识汇总

# 解析和遍历一个HTML文档 <div><p>如何解析一个HTML文档：</p> <pre><code>String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>"; Document doc = Jsoup.parse(html); </code></pre> <p>(更详细内容可查看 <a href="http://jsoup.org/cookbook/input/parse-document-from-string">解析一个HTML字符串</a>.)</p> <p>其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果，无论HTML的格式是否完整。比如它可以处理：</p> <ul> <li>没有关闭的标签 (比如： <code><p>Lorem <p>Ipsum</code> parses to <code><p>Lorem</p> <p>Ipsum</p></code>)</li> <li>隐式标签 (比如. 它可以自动将 <code><td>Table data</td></code>包装成<code><table><tr><td>?</code>)</li> <li>创建可靠的文档结构（html标签包含head 和 body，在head只出现恰当的元素）</li> </ul> <h2>一个文档的对象模型</h2> <ul> <li>文档由多个Elements和TextNodes组成 (以及其它辅助nodes：详细可查看：<a href="http://jsoup.org/apidocs/org/jsoup/nodes/package-tree.html">nodes package tree</a>).</li> <li>其继承结构如下：<code><a title="A HTML Document." href="http://jsoup.org/apidocs/org/jsoup/nodes/Document.html">Document</a></code>继承<code><a title="A HTML element consists of a tag name, attributes, and child nodes (including text nodes and other elements)." href="http://jsoup.org/apidocs/org/jsoup/nodes/Element.html">Element</a></code>继承<code><a title="The base, abstract Node model." href="http://jsoup.org/apidocs/org/jsoup/nodes/Node.html">Node</a></code>. <code><a title="A text node." href="http://jsoup.org/apidocs/org/jsoup/nodes/TextNode.html">TextNode</a></code>继承 <code><a title="The base, abstract Node model." href="http://jsoup.org/apidocs/org/jsoup/nodes/Node.html">Node</a></code>.</li> <li>一个Element包含一个子节点集合，并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。<br> </li> </ul> <h2>参见</h2> <ul> <li>数据抽取：<a href="http://jsoup.org/cookbook/extracting-data/dom-navigation">DOM遍历</a></li> <li>数据抽取：<a href="http://jsoup.org/cookbook/extracting-data/selector-syntax">Selector syntax</a></li></ul></div>