XML-可扩展标记语言

XML概念

Extensible Markup Language 可扩展标记语言
可扩展:标签都是自定义的

功能:

存储数据
1、配置文件
2、在网络中传输

xml与html的区别:

1、xml标签是自定义的,html标签是预定义的
2、xml的语法严格,html语法松散
3、xml是存储数据的,html是展示数据的

快速入门

xml文档的后缀名.xml
xml第一行必须定义为文档声明
xml文档中有且仅有一个根标签
属性值必须使用引号(单双都可)引起来
标签必须正确关闭
xml标签名称区分大小写

<?xml version = '1.0'?>

<users>
	<user id='1'>
		<name>zhangsan</name>
		<age>23</age>
		<gender>male</gender>
	</user>
	
	<user id='2'>
		<name>lisi</name>
		<age>24</age>
		<gender>female</gender>
	</user>
</users>
组成部分

1、文档声明
格式:<?xml 属性列表?>
属性列表:
version:版本号必须的属性
encoding:编码方式 。告知解析引擎当前文档使用的字符集默认ISO-8859-1
standalone:是否独立 yes:不依赖其他文件 no:依赖其他文件

2、指令(了解):结合css的

<?xml version="1.0" encoding="utf-8" standalone='no'?>
<?xml-stylesheet type="text/css" href="a.css"?>

<users>
<user id='1'>
    <name>zhangsan</name>
    <age>23</age>
    <gender>male</gender>
</user>

<user id='2'>
    <name>lisi</name>
    <age>24</age>
    <gender>female</gender>
</user>
</users>

XML-可扩展标记语言

3、标签:自定义的标签名称
规则:名称不能以数字或者标点符号开始
名称不能以字母xml(或者XML Xml等等)开始
名称不能包含空格
4、属性:ID值唯一
5、文本:CDATA区:在该区域中的数据会被原样展示

<code >
        <![CDATA[
        if(a < b && a > c){}
        ]]>
    </code>

约束

规定xml文档的书写规则
1、能够在xml中引入约束文档
2、能够简单的读懂约束文档

分类

1、DTD:一种简单的约束技术
2、Schema:一种复杂的约束技术

DTD.dtd

引入dtd文档到xml文档中
XML-可扩展标记语言

内部dtd:将约束规则定义在xml文档中
XML-可扩展标记语言

外部dtd:将约束的规则定义在外部的dtd文件中
本地:
网络:
XML-可扩展标记语言

Schema.xsd

DTD的弊端:不能定义内容的具体合法性,比如age=1000
XML-可扩展标记语言

解析

操作xml文档,将文档中的数据读取到内存中

操作xml文档

解析(读取):将文档中的数据读取到内存中
写入:将内存中的数据保存到xml文档中,持久化的存储

解析xml的方式:

DOM:将标记语言文档一次性加载进内存,在内存中形成一课dom树

优点:操作方便,可以对文档进行CRUD的所有操作
缺点:占内存
XML-可扩展标记语言

SAX:逐行读取,基于事件驱动的

优点:不占内存
缺点:只能读取,不能增删改

xml常见的解析器:

JAXP:sun公司提供的解析器,支持dom和sax两种思想
DOM4J:一款非常优秀的解析器
Jsoup:jsoup是一款java的html解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于JQuery的操作方法来取出和操作数据
PULL:Android操作系统内置的解析器,sax方式的

Jsoup

1、导入jar包
2、获取Document对象
3、获取对应的标签Element对象
4、获取数据
student.xml

<?xml version="1.0" encoding="UTF-8" ?>

<students>
    <student number="heima_001">
        <name>Bob</name>
        <age>18</age>
        <sex>male</sex>
    </student>

    <student number="heima_002">
        <name>Alice</name>
        <age>18</age>
        <sex>male</sex>
    </student>
</students>

package zg.jsoup;

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

import java.io.File;
import java.io.IOException;

/*
* Jsoup快速入门
* 1、导入jar包*/
public class jsoupDemo1 {
    public static void main(String[] args) throws IOException {
        //2、获取Document对象,根据xml文档获取
        //2.1获取student.xml的path
        //获取字节码文件对象 获取类加载器 找到对应的资源文件  获取字符串表示形式的路径
        String path = jsoupDemo1.class.getClassLoader().getResource("zg/jsoup/student.xml").getPath();
        //2.2解析xml文档,加载文档进内存,获取dom树-->Document
        Document document = Jsoup.parse(new File(path), "UTF-8");
        //3、获取元素对象Element
        Elements elements = document.getElementsByTag("name");
        //3.1获取第一个元素的值,即就是第一个name的Element的对象
        System.out.println(elements.size());
        Element element = elements.get(0);
        //3.2获取数据
        String name = element.text();
        System.out.println(name);

    }
}

Jsoup对象

1、Jsoup:工具类,可以解析html或xml文档,返回Document
parse:解析html或xml文档,返回Document
parse(File in,String charsetName):解析xml或html文件的
parse(String html):解析xml或html字符串的
parse(URL url,int timeoutMillis):通过网络路径获取指定的html或xml文档

package zg.jsoup;

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

import java.io.File;
import java.io.IOException;
import java.net.URL;

/*
* Jsoup快速入门
* 1、导入jar包*/
public class jsoupDemo2 {
    public static void main(String[] args) throws IOException {
        //2、获取Document对象,根据xml文档获取
        //2.1获取student.xml的path
        //获取字节码文件对象 获取类加载器 找到对应的资源文件  获取字符串表示形式的路径
        String path = jsoupDemo2.class.getClassLoader().getResource("zg/jsoup/student.xml").getPath();
        //2.2解析xml文档,加载文档进内存,获取dom树-->Document
        Document document = Jsoup.parse(new File(path), "UTF-8");
        System.out.println(document);//document会返回字符串表示形式的文档

        //parse(String html):解析xml或html字符串的
        String str = "<?xml version=\"1.0\" encoding=\"UTF-8\" ?>\n" +
                "\n" +
                "<students>\n" +
                "    <student number=\"heima_001\">\n" +
                "        <name>Bob</name>\n" +
                "        <age>18</age>\n" +
                "        <sex>male</sex>\n" +
                "    </student>\n" +
                "\n" +
                "    <student number=\"heima_002\">\n" +
                "        <name>Alice</name>\n" +
                "        <age>18</age>\n" +
                "        <sex>male</sex>\n" +
                "    </student>\n" +
                "</students>\n";
        Document document1 = Jsoup.parse(str);//同样返回一个Document对象
        System.out.println(document1);//也能解析到

        //parse(URL url,int timeoutMillis):通过网络路径获取指定的html或xml文档
        URL url = new URL("https://editor.csdn.net/md?articleId=120723799");//代表网络中的一个资源路径
        Document document2 = Jsoup.parse(url, 1000);
        System.out.println(document2);//解析后就是一个html文档

    }
}

2、Document:文档对象。代表内存中的dom树
获取Element对象
getElementById(String id):根据id属性值获取唯一的element对象
getElementsByTag(String tagName):根据标签名称获取元素对象集合
getElementsByAttribute(String key):根据属性名称获取元素对象集合
getElementByAttributeValue(String key,String value):根据对应属性名和属性值获取元素对象集合

package zg.jsoup;

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

import java.io.File;
import java.io.IOException;

/*
* Document/Element对象*/
public class jsoupDemo3 {
    public static void main(String[] args) throws IOException {
        //2、获取Document对象,根据xml文档获取
        //2.1获取student.xml的path
        //获取字节码文件对象 获取类加载器 找到对应的资源文件  获取字符串表示形式的路径
        String path = jsoupDemo3.class.getClassLoader().getResource("zg/jsoup/student.xml").getPath();
        Document document = Jsoup.parse(new File(path), "UTF-8");
        //3、获取元素对象
        //3.1获取所有student对象
        Elements elements = document.getElementsByTag("student");
        System.out.println(elements);
        System.out.println("-----------");


        //3.2获取属性名为id的元素对象们
        Elements id = document.getElementsByAttribute("id");
        System.out.println(id);
        System.out.println("-----------");
        //getElementById(String id):根据id属性值获取唯一的element对象
        Element zgdaren = document.getElementById("zgdaren");
        System.out.println(zgdaren);
        System.out.println("-----------");

        //3.3获取number属性值为heima_001的元素对象
        Elements elements1 = document.getElementsByAttributeValue("number", "heima_001");
        System.out.println(elements1);


    }
}

3、Elements:元素Element对象的集合,可以当作ArrayList来使用
4、Element:元素对象
获取子元素对象
getElementById(String id):根据id属性值获取唯一的element对象
getElementsByTag(String tagName):根据标签名称获取元素对象集合
getElementsByAttribute(String key):根据属性名称获取元素对象集合
getElementByAttributeValue(String key,String value):根据对应属性名和属性值获取元素对象集合
获取属性值
String attr(String key):根据属性名称获取属性值
获取文本内容
String text():获取所有子标签的纯文本内容
String html():获取标签体的所有内容(包括子标签的字符串标签和文本内容)

package zg.jsoup;

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

import java.io.File;
import java.io.IOException;

/*
* Jsoup快速入门
* 1、导入jar包*/
public class jsoupDemo4 {
    public static void main(String[] args) throws IOException {
        //2、获取Document对象,根据xml文档获取
        //2.1获取student.xml的path
        //获取字节码文件对象 获取类加载器 找到对应的资源文件  获取字符串表示形式的路径
        String path = jsoupDemo4.class.getClassLoader().getResource("zg/jsoup/student.xml").getPath();
        //2.2解析xml文档,加载文档进内存,获取dom树-->Document
        Document document = Jsoup.parse(new File(path), "UTF-8");
        //获取子元素对象
        //通过document对象获取name标签,即获取所有name标签
        Elements name = document.getElementsByTag("name");
        System.out.println(name.size());//2
        System.out.println("--------");
        //通过Element对象获取子标签对象
        Element element_student = document.getElementsByTag("student").get(0);
        Elements name1 = element_student.getElementsByTag("name");
        System.out.println(name1.size());//1
        System.out.println("----------");

        //String attr(String key):根据属性名称获取属性值
        //获取student对象的属性值
        String number = element_student.attr("number");
        System.out.println(number);//heima_001
        System.out.println("----------");

        //String text():获取文本内容
        String text = name1.text();
        System.out.println(text);
        System.out.println("----------");
        //如果text和html在使用时姓名为中不是文本而是子标签,html则打印子标签内容,text获取所有子标签的纯文本内容
        //String html():获取标签体的所有内容(包括子标签的字符串内容)
        String html = name1.html();
        System.out.println(html);



    }
}

5、Node:节点对象 是Document和Element的父类

Jsoup快捷查询方式

selector:选择器

Elements select(String cssQuery)

package zg.jsoup;

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

import java.io.File;
import java.io.IOException;

/*
* Jsoup快速入门
* 1、导入jar包*/
public class jsoupDemo5 {
    public static void main(String[] args) throws IOException {
        //2、获取Document对象,根据xml文档获取
        //2.1获取student.xml的path
        //获取字节码文件对象 获取类加载器 找到对应的资源文件  获取字符串表示形式的路径
        String path = jsoupDemo5.class.getClassLoader().getResource("zg/jsoup/student.xml").getPath();
        //2.2解析xml文档,加载文档进内存,获取dom树-->Document
        Document document = Jsoup.parse(new File(path), "UTF-8");
        //3、查询name标签

        Elements name = document.select("name");
        System.out.println(name);
        System.out.println("-----------");
        //4、查询id值为zgdaren的元素
        Elements select = document.select("#zgdaren");
        System.out.println(select);
        System.out.println("------------");
        //5、获取student标签并且number属性值为heima_001的age子标签
        //5.1获取student标签并且number属性值为heima_001
        Elements select1 = document.select("student[number=\'heima_001\']");
        System.out.println(select1);

        //5.2获取student标签并且number属性值为heima_001的age子标签
        Elements select2 = document.select("student[number=\'heima_001\'] > age");
        System.out.println(select2);


    }
}

XPath:选择器

XPath即为xml路径语言,它是一种用来确定xml(标记通用标记语言的子集)文档中某部分位置的语言

使用Jsoup的Xpath需要额外导入jar包
查询w3cshool中xml的xpath语法完成查询

package zg.jsoup;

import cn.wanghaomiao.xpath.exception.XpathSyntaxErrorException;
import cn.wanghaomiao.xpath.model.JXDocument;
import cn.wanghaomiao.xpath.model.JXNode;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.File;
import java.io.IOException;
import java.util.List;

/*
* Jsoup快速入门
* 1、导入jar包*/
public class jsoupDemo6 {
    public static void main(String[] args) throws IOException, XpathSyntaxErrorException {
        //2、获取Document对象,根据xml文档获取
        //2.1获取student.xml的path
        //获取字节码文件对象 获取类加载器 找到对应的资源文件  获取字符串表示形式的路径
        String path = jsoupDemo6.class.getClassLoader().getResource("zg/jsoup/student.xml").getPath();
        //2.2解析xml文档,加载文档进内存,获取dom树-->Document
        Document document = Jsoup.parse(new File(path), "UTF-8");
        //document对象是Jsoup里面的,Jsoup并不支持Xpath语法
        //3、根据document对象,创建JXDocument对象
        JXDocument jxDocument = new JXDocument(document);
        //4、结合xpath语法查询
        //4.1查询所有student标签
        List<JXNode> jxNodes = jxDocument.selN("//student");
        for (JXNode jxNode : jxNodes) {
            System.out.println(jxNode);
        }
        System.out.println("---------");
        //4.2查询所有student标签下的name标签
        List<JXNode> jxNodes1 = jxDocument.selN("//student/name");
        for (JXNode jxNode : jxNodes1) {
            System.out.println(jxNode);
        }
        System.out.println("---------");
        //4.3查询student标签下带有id属性的name标签
        List<JXNode> jxNodes2 = jxDocument.selN("//student/name[@id]");
        for (JXNode jxNode : jxNodes2) {
            System.out.println(jxNode);
        }
        System.out.println("---------");
        List<JXNode> jxNodes3 = jxDocument.selN("//student/name[@id='zgdaren']");
        for (JXNode jxNode : jxNodes3) {
            System.out.println(jxNode);
        }


    }
}

上一篇:笔记---使用Java实现简单的爬虫功能爬取网站资源


下一篇:HttpClient+Jsoup爬取页面数据