在Java中获取HTML文档中指定标签的内容，可以使用多种库来实现，其中最常用的是Jsoup。Jsoup是一个非常强大且易于使用的库，用于处理HTML数据。以下是如何使用Jsoup来获取HTML文档中指定标签的内容的示例。

1. 添加Jsoup依赖

首先，项目中添加Jsoup的依赖。使用Maven，可以在pom.xml文件中添加以下依赖：

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.15.3</version>
</dependency>

2. 使用Jsoup获取指定标签的内容

以下是一个示例代码，展示了如何使用Jsoup从HTML文档中获取指定标签的内容。

示例HTML文档

假设有以下HTML文档：

<!DOCTYPE html>
<html>
<head>
    <title>Example Page</title>
</head>
<body>
    <h1>Welcome to Example Page</h1>
    <p>This is a paragraph.</p>
    <a href="https://example.com">Link to Example</a>
    <div id="content">
        <p>Some content inside a div.</p>
    </div>
</body>
</html>
Java代码
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class HtmlContentExtractor {

    public static void main(String[] args) {
        // 读取HTML内容
        String htmlContent = "<!DOCTYPE html>\n" +
                "<html>\n" +
                "<head>\n" +
                "    <title>Example Page</title>\n" +
                "</head>\n" +
                "<body>\n" +
                "    <h1>Welcome to Example Page</h1>\n" +
                "    <p>This is a paragraph.</p>\n" +
                "    <a href=\"https://example.com\">Link to Example</a>\n" +
                "    <div id=\"content\">\n" +
                "        <p>Some content inside a div.</p>\n" +
                "    </div>\n" +
                "</body>\n" +
                "</html>";

        // 解析HTML内容
        Document doc = Jsoup.parse(htmlContent);

        // 获取指定标签的内容
        // 获取所有<h1>标签
        Elements h1Elements = doc.select("h1");
        for (Element h1 : h1Elements) {
            System.out.println("h1: " + h1.text());
        }

        // 获取所有<p>标签
        Elements pElements = doc.select("p");
        for (Element p : pElements) {
            System.out.println("p: " + p.text());
        }

        // 获取id为"content"的<div>标签内的所有<p>标签
        Elements contentPElements = doc.select("#content p");
        for (Element p : contentPElements) {
            System.out.println("p in #content: " + p.text());
        }

        // 获取所有<a>标签及其href属性
        Elements aElements = doc.select("a");
        for (Element a : aElements) {
            System.out.println("a: " + a.text() + ", href: " + a.attr("href"));
        }
    }
}

代码解释

  1. 读取HTML内容：
  • 将HTML内容存储在一个字符串变量 htmlContent 中。你也可以从文件或网络中读取HTML内容。
  1. 解析HTML内容：
  • 使用 Jsoup.parse(htmlContent) 方法将HTML字符串解析为 Document 对象。
  1. 选择指定标签：
  • 使用 doc.select("tag") 方法选择指定的标签。例如，doc.select("h1") 选择所有 <h1> 标签。
  • 使用 doc.select("#id tag") 方法选择具有特定ID的元素内的指定标签。例如，doc.select("#content p") 选择ID为 content 的 <div> 元素内的所有 <p> 标签。
  1. 提取文本内容：
  • 使用 element.text() 方法提取元素的文本内容。
  • 使用 element.attr("attribute") 方法提取元素的属性值，例如 a.attr("href") 提取 <a> 标签的 href 属性。

运行结果

运行上述代码，输出结果如下：

h1: Welcome to Example Page
p: This is a paragraph.
p in #content: Some content inside a div.
a: Link to Example, href: https://example.com

通过这些步骤，可以使用Jsoup从HTML文档中提取指定标签的内容。