Пользователь Stanislav
Stanislav
21 уровень
Москва

Лёгкий парсинг HTML с помощью jsoup

Статья из группы Random
Возможно, когда-нибудь вам будет необходимо получить информацию с какого-либо сайта либо HTML-документа в своем приложении, и я без лишних слов скажу, что использование библиотеки jsoup существенно упростит вашу задачу. Как говорится на wiki, jsoup — это Java-библиотека с открытым исходным кодом, предназначенная для анализа, извлечения и управления данными, хранящимися в документах HTML.

Быстрый старт

Библиотеку можно скачать в виде jar файла и поместить в проект, а также подключить с помощью Maven/Gradle. Ссылку на официальный сайт я оставлю в конце статьи: там вы сможете найти актуальную версию библиотеки. В примере будем использовать подключение через Maven. Добавим зависимость:

<​dependency​>
  <​groupId>org.jsoup<​/groupId>
  <​artifactId>jsoup<​/artifactId>
  <​version>1.11.3<​/version>
<​/dependency>

Использование

Первым делом вам необходимо получить экземпляр класса Document из org.jsoup.nodes.Document с указанием на источник для разбора. Им может выступать как локальный файл, так и ссылка. Для примера, в данной статье мы будем использовать сайт yandex.ru и попытаемся получить их актуальную новостную ленту:

		Document doc = Jsoup.connect("https://yandex.ru/")
                .userAgent("Chrome/4.0.249.0 Safari/532.5")
                .referrer("http://www.google.com")
                .get();
User Agent является идентификатором, который сообщается посещаемому сайту. На многих сайтах он является важнейшим критерием для антиспам фильтра. Referrer содержит URL источника запроса. Метод get() вызывает обрабатываемое исключение IOException, так что мы можем обернуть все в try/catch блок, либо просто перебросить его дальше с помощью throws. На данный момент мы получили исходный код данной страницы. При необходимости библиотека jsoup сама может восстановить поврежденные элементы. Теперь нам остается лишь сузить поиск до отдельного блока. Метод select() имеет большую выборку в использовании: он позволяет искать элементы по тегу, атрибутам, классу и другим параметрам. Почти все современные браузеры поддерживают возможность быстрого поиска исходного кода выбранного элемента. Нехитрыми манипуляциями, мы находим исходный код нужного нам элемента и получаем div блок с указанным классом, его мы и будем использовать для выборки. Лёгкий парсинг HTML с помощью jsoup - 1Воспользуемся классом Elements из org.jsoup.select.Elements, для выборки всех элементов из нашего выбранного блока.

Elements listNews = doc.select("div#tabnews_newsc.content-tabs__items.content-tabs__items_active_true");
Сейчас мы имеем что то вроде этого: Лёгкий парсинг HTML с помощью jsoup - 2Теперь нам остается лишь использовать небольшой цикл для пробора всех элементов:

for (Element element : listNews.select("a"))
            System.out.println(element.text());
Метод text() позволяет отбросить код разметки и оставляет лишь сочетание текста для всех входящих элементов. Результат выполнения будет таков: Лёгкий парсинг HTML с помощью jsoup - 3Нетрудно заметить, что реальное количество полученных строк не соответствует фактическому отображению на странице. В этом и заключаются подводные камни. Если посмотреть исходный код разметки, можно заметить, что последняя новость анимационно меняется с определенным интервалом времени. Часть таких "камней" решается дополнительной выборкой, ну и конечно тестами. Может оказаться так, что первые пять элементов будут содержать нужную нам информацию, а на шестом элементе будет лишь заскриптованная пустая строка. Бывает и такое, что блоки не будут обладать какими-либо идентификаторами, тогда есть возможностью прямо указать с помощью метода get(int index) на номер позиции рассматриваемого элемента.

System.out.println(listNews.select("a").get(2).text());

Заключение

В данном примере показана лишь малая часть того, на что способен jsoup. Не стоит отменять и тот факт, что сайты нередко обновляются, изменяя структуру кода разметки, так что при работе с парсингом нужно быть готовым адаптироваться к изменениям. Больше информации и актуальную версию вы можете получить на официальном сайте jsoup.org, более подробно почитать про классы и методы можно по ссылке o7planning.org. Оставлю ссылку на мой github, на момент написания статьи там находится несколько Telegram-ботов, которые используют Jsoup для получения и выдачи информации.
Комментарии (22)
Чтобы просмотреть все комментарии или оставить свой,
перейдите в полную версию
ZEkA10000 0 уровень
8 мая 2021
По данной статье, автор видимо не знает про такую штуку как

android.os.NetworkOnMainThreadException
Илья 30 уровень, Дзержинск
11 апреля 2021
Из этого примера должно что-то выводится? Или это, так, описания ради?.. Скопировал код, чтоб увидеть результат, а в результате пустота..

         Document doc = Jsoup.connect("https://yandex.ru/")
                .userAgent("Chrome/4.0.249.0 Safari/532.5")
                .referrer("http://www.google.com")
                .get();
        Elements listNews = doc.select("div#tabnews_newsc.content-tabs__items.content-tabs__items_active_true");
        for (Element element : listNews.select("a"))
            System.out.println(element.text());
barracuda 41 уровень, Санкт-Петербург Expert
29 октября 2020
Что-то из этого я понял.
Андрей 7 уровень, Казань
11 августа 2020
Подскажите пожалуйста, как быть в ситуации, когда блок скрыт условием (event). при парсинге данного элемента просто не видит, если "поднимаюсь" на блок выше, то его находит и показывает как будто он пустой. пример в картинке
Юрий 35 уровень, Москва
13 июля 2020
оч слабая статья.
Arman Hakobyan 0 уровень
10 февраля 2020
Очень интересен вопрос можно ли с помощью jsoup библиотеки реализовать загрузку картинки на какой то репозитори и получения ссылки на данную картинку,буду очень рад каждому ответу кто хоть как то догадывается как реализовать это.Нужен такой сервис который будет по введенному пользователем имени находить файл и загружать на репозитори и в конце получать ссылку на данную картинку
Павел Ермишин 20 уровень, Москва
4 февраля 2020
интересно, но тема действительно не разрыта
Евгений Буш 35 уровень, Санкт-Петербург Expert
1 февраля 2020

<version>1.12.1</version>
Павел 36 уровень, Минск
31 октября 2019
что значит "а"?

listNews.select("a")
Dmitriy 22 уровень, Москва
8 апреля 2019
как хтмл исходник на пикче в вашей скрытной голове преобразовался в эту строку? div#tabnews_newsc.content-tabs__items.content-tabs__items_active_true если я должен догадаться, зачем тогда эта статья? Прям в лучших традициях джавараша. "Ребята, есть такой класс Object. А вот что это и с чем его едят идите ка почитайте официальную документацию. Всем спасибо."