Retrofit中Jsoup解析html（一）

简介

  Jsoup 是一个Java库，用于解析HTML文档和提取所需的数据。它提供了一种非常方便的方式来处理实际网页上的数据抓取、解析和操作。Jsoup能够将复杂的HTML文档转换成一个可操作的DOM（文档对象模型）树结构，使得开发者可以使用类似于jQuery的选择器语法来定位和提取文档中的元素。本章主讲Document类。

        Document 类是Jsoup库中的一个核心类，它代表了一个完整的HTML文档。当你使用Jsoup解析一个HTML字符串、URL或文件时，你会得到一个Document对象。这个对象允许你以面向对象的方式遍历和操作HTML文档中的各个部分，包括元素（如<div>、<a>）、属性（如class、id）以及文本内容。

一、response.body()获取内容

String html = response.body();

               从Retrofit的响应对象(response)中提取HTML内容。response.body()方法返回的是HTTP响应的主体部分，这里假设它是一个HTML字符串。

二、Jsoup库解析HTML字符串

Document doc = Jsoup.parse(html);

        这里使用了Jsoup库来解析HTML字符串。Jsoup.parse(html)方法接收一个HTML字符串作为参数，然后将其解析成一个Document对象。Document对象就像是一个代表整个HTML文档的根节点，你可以通过它来访问和操作文档中的所有元素。

三、Document的text()方法纯文本内容

String description = doc.text();

        通过调用doc.text()方法，提取了整个HTML文档的纯文本内容。这意味着它会去除所有HTML标签，只保留文本数据。如果你的目标是提取特定的文本（比如某个标签内的文本或<meta>标签的描述信息），直接使用doc.text()可能不是最佳选择，因为它会合并文档中的所有可见文本。对于提取特定的meta描述，应使用类似doc.select("meta[name=description]").attr("content")的方法，如之前讨论的。

效果：

四、Document的title()方法标题

        String ht = doc.title();

        通过Jsoup的parse()方法解析HTML字符串后，可以直接调用title()方法获取<title>标签的文本内容。

效果：

五、根据id选择元素

String id = doc.getElementById("header").text();

        getElementById("header"): 这个方法用于从doc所代表的HTML文档中，根据指定的ID选择一个元素。在这里，"header"是作为参数传递的ID。这意味着它会查找文档中ID属性值为header的第一个元素。ID在HTML文档中应该是唯一的，所以这个方法应该只返回一个元素，但如果存在多个相同ID的情况（虽然不符合规范），Jsoup会返回第一个匹配的元素。

        .text(): 调用.text()方法是用于获取所选元素的纯文本内容。这将提取元素及其所有子元素中的文本，忽略HTML标签，把它们合并成一个无格式的字符串。换句话说，它提取的是用户在浏览器中能看到的文本部分，而不会包括任何HTML结构。

<nav >这里所有的文本数据均会被提取 </nav>

效果：

六、根据标签tag

String tag = doc.getElementsByTag("td").text();

        getElementsByTag("td"): 这个方法用于从doc中选择所有具有指定标签名的元素。在这里，传入的参数是"td"，意味着它会查找文档中的所有<td>标签。getElementsByTag返回的是一个Elements集合，这个集合包含了文档中所有匹配该标签的元素。

        .text(): 当你调用一个Elements集合的.text()方法时，Jsoup会合并该集合中所有元素的纯文本内容，忽略HTML标签，将它们连接起来形成一个单一的字符串。这意味着如果集合中有多个<td>标签，.text()会提取每个<td>标签中的文本，并将这些文本串在一起，中间没有明显的分隔符（除非文本本身包含换行或空格）。

效果：

        String tag = doc.getElementsByTag("td").text();这行代码的意图是从整个HTML文档中找出所有<td>标签，并将这些标签中的文本内容合并成一个字符串，然后将这个字符串赋值给变量tag。然而，需要注意的是，如果文档中包含多个<td>元素，这种方法可能不会按照预期工作，因为它会将所有<td>内的文本合并到一起，可能导致信息混淆。如果需要分别处理每个<td>的文本，你应该遍历Elements集合，单独处理每个元素。

get(）Elements集合位号获取：

        String tag2 = doc.getElementsByTag("td").get(0).text();

     doc: 这仍然是一个通过Jsoup解析得到的HTML文档对象，包含了文档的全部结构和内容。

     getElementsByTag("td"): 此方法查找文档中所有<td>标签的元素，并返回一个Elements集合，其中包含了所有匹配到的<td>元素。

     .get(0): 这里是对前面获取到的Elements集合进行操作，通过指定索引0来获取集合中的第一个元素。在Java的集合中，索引是从0开始的，因此get(0)就是获取第一个<td>标签元素。

     .text(): 最后，对选中的第一个<td>标签元素调用.text()方法，来提取该元素内部的纯文本内容，忽略所有HTML标签。

效果：