Java中使用 jsoup 提取本地HTML頁面的標籤內容

1.引入maven依賴

<!-- jsoup -->
<dependency>
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.10.2</version>
</dependency>

2.代碼

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;


public class JsoupTest {
 /**
  * 讀HTML文件
  * @param pathname
  * @return
  */
  public static String readHtml(String path) {
    StringBuffer buff = new StringBuffer();
    // 建立一個對象，它把文件內容轉成計算機能讀懂的語言
    try (FileReader reader = new FileReader(path); BufferedReader br = new BufferedReader(reader)) {
        String line;
        int count = 0;
        while ((line = br.readLine()) != null) {
          // 一次讀入一行數據
          buff.append(line);
          count++;
        }
    } catch (IOException e) {
      e.printStackTrace();
    }
    return buff.toString();
  }

 /**
  * jsoup方法中 text() :用於獲取獲取標籤的文本 html() ：獲取標籤裏面的所有字符串包括html標籤
  * attr(attributeKey)獲取屬性裏面的值，參數是屬性名稱
  */
  public static void main(String[] args) {
    try {
        // 本地html存放路徑
        String file_path = "D:\\index.html";
        // 讀取html獲取文檔
        String html = readHtml(file_path);
        Document document = Jsoup.parse(html);
        // 通過select獲取元素
        // 一個頁面中的class可能會重複，爲避免取多餘的數據，
        // 先取部分區域的數據，然後再從這部分區域數據中取出真正需要的數據
        ////格式： class用"#"、id用"."、標籤用h1  例如：   div.title_area>h1
        Elements div = document.select(".content_18313");// 外層部分區域標籤內的數據
        Elements title = div.select(".title_area>h1");// 真正需要標籤內的數據
        System.out.println("打印最終結果：" + title.text());
    } catch (Exception e) {
        e.printStackTrace();
    }
  }
}