jsoup是一个操纵HTML的Java库。它提供了很多便利的API，我们可以用HTML5 DOM方法和CSS选择器来获取URL，提取和操作数据。
先看一个简单的例子，新建一个Maven项目：
在项目的pom.xml文件中添加如下依赖：
<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
<dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.13.1</version>
</dependency>确认项目下的External Libraries中包含如下jar包
我们的例子是提取到百度首页的标题，如下图所示：
使用jsoup库可以很容易做到这事儿，
package com.andy;import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;import java.io.IOException;public class JsoupDemo {public static void main(String[] args) throws IOException {Document document = Jsoup.connect("http://www.baidu.com").get();System.out.println(document.title());}
}结果如下：
通过Jsoup.connect("http://www.baidu.com").get()我们获取到了百度首页的HTML文档并返回一个Document对象(它就代表了HTML文档)，使用Document对象的title()方法获取到了HTML文档的标题。
获取Document对象
有多个方法获取到Document对象。
Jsoup.parse(String html)
该方法从字符串解析出一个Document对象，
Document document = Jsoup.parse("<style>p {font-size:10px}</style>");
System.out.println(document);
可以看到对于缺失的标签，jsoup库帮我们补全。
Jsoup.parseBodyFragment(String html)
该方法从字符串解析出一个Document对象，与Jsoup.parse(String html)方法不同的是，此方法会将html插入到body标签中，
Document document = Jsoup.parseBodyFragment("<style>p {font-size:10px}</style>");
System.out.println(document);
Jsoup.connect(String url).get()
该方法从目标URL解析出一个Document对象，正如样例所示。
Jsoup.parse(File in, String charset, String baseUri)
该方法从文件中解析出一个Document对象，我们将百度首页的html文档保存到本地，然后用此方法得到一个Document对象：
File file = new File("./index.html");
Document document = Jsoup.parse(file, "UTF-8");
System.out.println(document);
提取数据
获取到了Document对象有什么用呢？我们可以通过它的很方便的方法提取数据。
DOM方法
在Document对象上我们可以使用一些类DOM方法，比如：
getElementById(String id)getElementsByTag(String tag)getElementsByClass(String className)getElementsByAttribute(String key)
还是用百度首页来举例：
File file = new File("./index.html");
Document document = Jsoup.parse(file, "UTF-8");
Elements elements = document.getElementsByTag("a");
for (Element element : elements) {System.out.println(element);
}
我们getElementsByTag()方法获取到了整个页面的a元素，然后打印输出每个元素。
可以用下列方法提取元素的数据：
attr(String key)获取元素key属性的值attributes()获取元素所有属性id()获取元素id属性的值className和classNames获取元素class属性的值text()获取元素内容
例如：
File file = new File("./index.html");
Document document = Jsoup.parse(file, "UTF-8");
Elements elements = document.getElementsByTag("a");
for (Element element : elements) {System.out.println(element.text() + " : " + element.attr("href"));
}
选择器方法
除了类DOM方法外，还可以使用CSS选择器语法对元素进行筛选，主要是用Element.select(String selector)方法。
File file = new File("./index.html");
Document document = Jsoup.parse(file, "UTF-8");
Elements elements = document.select("a[href]");
for (Element element : elements) {System.out.println(element.text() + " : " + element.attr("href"));
}
如上例所示，通过select()方法找到了所有带有href属性的a标签。值得注意的是，select()方法可以在Document，Element或Elements对象上使用。
更多选择器语法请看Use selector-syntax to find elements。
获取绝对路径
有时我们需要将资源的相对路径转换为绝对路径，我们可以用如下两种方法：
Document doc = Jsoup.connect("http://jsoup.org").get();Element link = doc.select("a").first();
String relHref = link.attr("href"); // == "/"
String absHref = link.attr("abs:href"); // "http://jsoup.org/"
// 等价于
String absLink = link.absUrl("href") // "http://jsoup.org/"爬取豆瓣电影TOP250
了解了上述内容后，我们现在可以尝试爬取豆瓣电影TOP250啦！
观察其URLhttps://movie.douban.com/top250?start=0&filter=，可以发现页数和URL是一一对应的，start的值会等于当前页i减1乘以25，即start=(i-1)*25，因此通过改变start的值就可以请求到不同的HTML页面。我们对页面上的每部电影信息做进一步分析：
可以看到每部电影都包含在一个class名为item的div标签中，作为示例我们这里只提取每部电影的标题和URL。完整代码如下所示：
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.IOException;public class JsoupDemo {public static void main(String[] args){String baseUrl = "https://movie.douban.com/top250?start=%d&filter=";for (int i = 0; i < 10; i++) {String url = String.format(baseUrl, i * 25);try {parsePage(url);} catch (Exception e) {System.out.println("Error !!");}}}public static void parsePage(String src) throws IOException {Document document = Jsoup.connect(src).get();Elements elements = document.select("div.item");for (Element element : elements) {String title = element.select("span.title").first().text();String url = element.select("div.hd > a").first().attr("href");System.out.println("title : " + title + " url : " + url);}}
}抓取结果如下：
