JSOUP是偶然看到的一个处理HTML的JAVA 类库，其官方网址是：http://jsoup.org/

1、编写相关的试用程序（只需要在工程中引用jsoup-1.3.3.jar即可）：

Java代码  

1. import java.io.File;  
2. import java.io.IOException;  
3.   
4. import org.jsoup.Jsoup;  
5. import org.jsoup.nodes.Document;  
6. import org.jsoup.select.Elements;  
7.   
8. public class Test {  
9.     public static void main(String[] args) {  
10.         Test t = new Test();  
11.         t.parseFile();  
12.     }  
13.   
14.     public void parseString() {  
15.         String html = "

    Parsed HTML into a doc.

    ";  
16.         Document doc = Jsoup.parse(html);  
17.         System.out.println(doc);  
18.         Elements es = doc.body().getAllElements();  
19.         System.out.println(es.attr("onload"));  
20.         System.out.println(es.select("p"));  
21.     }  
22.   
23.     public void parseUrl() {  
24.         try {  
25.             Document doc = Jsoup.connect("http://www.baidu.com/").get();  
26.             Elements hrefs = doc.select("a[href]");  
27.             System.out.println(hrefs);  
28.             System.out.println("------------------");  
29.             System.out.println(hrefs.select("[href^=http]"));  
30.         } catch (IOException e) {  
31.             e.printStackTrace();  
32.         }  
33.     }  
34.   
35.     public void parseFile() {  
36.         try {  
37.             File input = new File("input.html");  
38.             Document doc = Jsoup.parse(input, "UTF-8");  
39.             // 提取出所有的编号  
40.             Elements codes = doc.body().select("td[title^=IA] > a[href^=javascript:view]");  
41.             System.out.println(codes);  
42.             System.out.println("------------------");  
43.             System.out.println(codes.html());  
44.         } catch (IOException e) {  
45.             e.printStackTrace();  
46.         }  
47.     }  
48. }  

2、parseString的输出：

控制台代码  

1.   
2.    
3.     
4.    
5.  "test()">  
6.   

   Parsed HTML into a doc.

     
7.    
8.   
9. test()  
10.   

11. Parsed HTML into a doc.

      

3、parseUrl的输出：

控制台代码  

1. "/gaoji/preferences.html">设置  
2. "http://passport.baidu.com/?login&tpl=mn">登录  
3. "http://news.baidu.com">新 闻  
4. "http://tieba.baidu.com">贴 吧  
5. "http://zhidao.baidu.com">知 道  
6. "http://mp3.baidu.com">MP3  
7. "http://image.baidu.com">图 片  
8. "http://video.baidu.com">视 频  
9. "http://map.baidu.com">地 图  
10.   
11. "#" name="ime_hw">手写  
12.   
13. "#" name="ime_py">拼音  
14.   
15. "#" name="ime_cl">关闭  
16. "http://hi.baidu.com">空间  
17. "http://baike.baidu.com">百科  
18. "http://www.hao123.com">hao123  
19. "/more/">更多>>  
20. "st" onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')" href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页  
21. "http://e.baidu.com/?refer=888">加入百度推广  
22. "http://top.baidu.com">搜索风云榜  
23. "http://home.baidu.com">关于百度  
24. "http://ir.baidu.com">About Baidu  
25. "/duty/">使用百度前必读  
26. "http://www.miibeian.gov.cn" target="_blank">京ICP证030173号  
27. ------------------  
28. "http://passport.baidu.com/?login&tpl=mn">登录  
29. "http://news.baidu.com">新 闻  
30. "http://tieba.baidu.com">贴 吧  
31. "http://zhidao.baidu.com">知 道  
32. "http://mp3.baidu.com">MP3  
33. "http://image.baidu.com">图 片  
34. "http://video.baidu.com">视 频  
35. "http://map.baidu.com">地 图  
36. "http://hi.baidu.com">空间  
37. "http://baike.baidu.com">百科  
38. "http://www.hao123.com">hao123  
39. "st" onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')" href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页  
40. "http://e.baidu.com/?refer=888">加入百度推广  
41. "http://top.baidu.com">搜索风云榜  
42. "http://home.baidu.com">关于百度  
43. "http://ir.baidu.com">About Baidu  
44. "http://www.miibeian.gov.cn" target="_blank">京ICP证030173号  

3、parseFile的输出：

控制台代码  

1. "javascript:view('67530','67530','0');">IA100908-002  
2.   
3. "javascript:view('67529','67529','0');">IA100908-001  
4.   
5. "javascript:view('67544','67544','0');">IA100908-016  
6.   
7. "javascript:view('67364','67364','0');">IA100903-008  
8.   
9. "javascript:view('67363','67363','0');">IA100903-007  
10.   
11. "javascript:view('66104','66104','0');">IA100710-013  
12.   
13. "javascript:view('57916','57916','0');">IA100515-013  
14.   
15. "javascript:view('56962','56962','0');">IA100430-022  
16.   
17. "javascript:view('66958','66958','0');">IA100830-001  
18.   
19. "javascript:view('66319','66319','0');">IA100713-003  
20.   
21. "javascript:view('66317','66317','0');">IA100713-001  
22.   
23. "javascript:view('66321','66321','0');">IA100713-005  
24.   
25. "javascript:view('66967','66967','0');">IA100830-010  
26.   
27. "javascript:view('66999','66999','0');">IA100831-001  
28.   
29. "javascript:view('67377','67377','0');">IA100904-004  
30.   
31. "javascript:view('67378','67378','0');">IA100904-005  
32.   
33. "javascript:view('3271','3271','0');">IA080115-031  
34. ------------------  
35. IA100908-002  
36. IA100908-001  
37. IA100908-016  
38. IA100903-008  
39. IA100903-007  
40. IA100710-013  
41. IA100515-013  
42. IA100430-022  
43. IA100830-001  
44. IA100713-003  
45. IA100713-001  
46. IA100713-005  
47. IA100830-010  
48. IA100831-001  
49. IA100904-004  
50. IA100904-005  
51. IA080115-031  

 补充下，input.html的基本结果如图：


出处:http://kinkding.iteye.com/blog/787465