目录
XML概述
概念
XML（Extensible Markup Language）：可扩展标记语言 可扩展：标签都是自定义的。
发展历程
HTML和XML都是W3C（万维网联盟）制定的标准，最开始HTML的 语法过于松散，于是W3C制定了更严格的XML语法标准，希望能取 代HTML。但是程序员和浏览器厂商并不喜欢使用XML，于是现在 的XML更多的用于配置文件及传输数据等功能。
是谁造成的HTML语法松散？
浏览器厂商。最开始W3C制定HTML的时候语法还是比较严格 的。但浏览器厂商为了抢占市场，语法错误也可以解析成功 HTML，最后“内卷”到HTML即使语法非常混乱也是可以被浏览 器解析。
tips：归根到底是语法的制定者和使用者不一致造成了HTML语 法混乱，JAVA语法严格就是因为java语言的运行工具java虚拟机 也是sun公司（现在是oracle）出品的，语法不通过不让运行。
XML的功能
1 配置文件：在今后的开发过程当中我们会频繁使用框架（框架： 半成品软件），使用框架时，需要写配置文件配置相关的参数， 让框架满足我们的开发需求。而我们写的配置文件中就有一种文 件类型是XML。
日后编写大型项目，不可能从头到尾都是原创代码，很多功 能前人已经写好，我们只需要使用前人写好的半成品软件 （框架），再加入一些符合我们需求的配置即可完成开发。 比如我们组装一台电脑，不可能自己焊接电路板。而是先买 入一块主板，这块主板就是半成品软件。根据自己的需求加 入一些配置，比如要求流畅运行吃鸡，就需要配置i7处理 器、泰坦显卡。
2 传输数据：在网络中传输数据时并不能传输java对象，所以我们 需要将JAVA对象转成字符串传输，其中一种方式就是将对象转为 XML类型的字符串。
比如携程等旅游网站可以买火车票，但他们其实也是替 12306卖票，此时他们就需要拿到12306的票务数据。JAVA 对象不能在网络上传输，可以转为XML类型的字符串。
XML和HTML的区别
1 XML语法严格，HTML语法松散
2 XML标签自定义，HTML标签预定义
XML基本语法
1、文件后缀名是.xml
2、第一行必须是文档声明
3、有且仅有一个根标签
4、标签必须正确关闭
5、标签名区分大小写
6、属性值必须用引号（单双都可）引起来
XML组成部分
文档声明
文档声明必须放在第一行，格式为：
<?xml 属性列表 ?>
属性列表： version：版本号（必须） encoding：编码方式
标签
XML中标签名是自定义的，标签名有以下要求：
1、包含数字、字母、其他字符
2、不能以数字和标点符号开头，可以以_开头
3、不能包含空格
指令(了解)
指令是结合css使用的，但现在XML一般不结合CSS，语法为：
<?xml-stylesheet type="text/css" href="a.css"?>
属性
属性值必须用引号（单双都可）引起来
文本
如果想原样展示文本，需要设置CDATA区，格式为：
<![CDATA[文本]]>
约束_DTD约束
虽然XML标签是自定义的。但是作为配置文件时，也需要遵循一定 的规则。就比如在主板上硬盘口只能插硬盘，不能插入其他硬件。 约束就是定义XML书写规则的文件，约束我们按照框架的要求编写 配置文件。
我们作为框架的使用者，不需要会写约束文件，只要能够在xml中 引入约束文档，简单的读懂约束文档即可。XML有两种约束文件类 型：DTD和Schema。
DTD是一种较简单的约束技术，引入方式如下：
本地引入：
<!DOCTYPE 根标签名 SYSTEM "dtd文件的位置">
网络引入：
<!DOCTYPE 根标签名 PUBLIC "dtd文件的位置" "dtd文件路径">
约束_Schema约束
Schema比DTD对XML的约束更加详细，引入方式如下：
1 写xml文档的根标签
2 引入xsi前缀：确定Schema文件的版本。
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
3 引入Schema文件
xsi:schemaLocation="Schema文件定义的命名空间
Schema文件的具体路径"
4 为Schema约束的标签声明前缀
xmlns:前缀="Schema文件定义的命名空间"
例如：
<students
xmlns:xsi="http://www.w3.org/2001/XMLSchemainstance"
xsi:schemaLocation="http://www.itbaizhan.cn/xml student.xsd"
xmlns="http://www.itbaizhan.cn/xml">
Jsoup解析器_XML解析思想
XML解析即读写XML文档中的数据。框架的开发者通过XML解析读 取框架使用者配置的参数信息，开发者也可以通过XML解析读取网 络传来的数据。XML有如下解析思想：
DOM
将标记语言文档一次性加载进内存，在内存中形成一颗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
SAX
逐行读取，基于事件驱动的。
优点：不占内存，一般用于手机APP开发中读取XML
缺点：只能读取，不能增删改
Jsoup解析器_XML常见解析器
1、JAXP：SUN公司提供的解析器，支持DOM和SAX两种思想
2、DOM4J：一款非常优秀的解析器
3、Jsoup：Jsoup是一款Java的HTML解析器，支持DOM思想。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CSS以及类似于jQuery的操作方法来取出和操作数据
4、PULL：Android操作系统内置的解析器，支持SAX思想
Jsoup解析器_Jsoup快速入门
步骤：
1 导入jar包
2 加载XML文档进内存，获取DOM树对象Document
3 获取对应的标签Element对象
4 获取数据
public class Demo1 {
// 获取XML中所有学生的姓名
public static void main(String[] args) throws IOException {
// 2.加载XML文档进内存。获取DOM树对象Document
// 2.1 获取类加载器
ClassLoader classLoader = Demo1.class.getClassLoader();
// 2.2使用类加载器，找到XML文档的路径
String path = classLoader.getResource("com/itbaizhan/xsd/student.xml").getPath();
// 2.3加载XML文档进内存，并转成Document对象
Document document = Jsoup.parse(new File(path), "utf-8");
// 3.获取对应的标签Element对象
Elements name = document.getElementsByTag("name");
// 4.获取数据
for (Element element : name) {
String text = element.text();
System.out.println(text);
}
}
}
Jsoup解析器_Jsoup
Jsoup：可以解析xml或html，形成dom树对象。
常用方法：
static Document parse(File in, String charsetName)：解析本地文件
static Document parse(String html)：解析html或xml字符串
static Document parse(URL url, int timeoutMillis)：解析网页源文件
public class Demo2 {
// Jsoup
public static void main(String[] args) throws IOException {
// 解析本地XML
String path = Demo2.class.getClassLoader().getResource("com/itbaizhan/xsd/student.xml").getPath();
Document document = Jsoup.parse(new File(path), "utf-8");
System.out.println(document);
System.out.println("------------------");
// 解析字符串
Document document1 = Jsoup.parse("<?xml version=\"1.0\" ?>\n" +
"<students\n" +
" xmlns:xsi=\"http://www.w3.org/2001/XMLSchema-instance\"\n" +
" xsi:schemaLocation=\"http://www.itbaizhan.cn/xml student.xsd\"\n" +
" xmlns=\"http://www.itbaizhan.cn/xml\">\n" + "\n" +
" <student number=\"baizhan_0001\">\n" +
" <name>baizhan</name>\n" +
" <age>10</age>\n" +" <sex>male</sex>\n"+
" </student>\n" +
" <student number=\"baizhan_0002\">\n" +
" <name>sxt</name>\n"+
" <age>11</age>\n" +
" <sex>female</sex>\n" +
" </student>\n" +
"</students>");
System.out.println(document1);
System.out.println("---------------------------------");
// 解析网络资源
Document document2 = Jsoup.parse(new URL("https://www.baidu.com"), 2000);
System.out.println(document2);
}
}
Jsoup解析器_Document
Document：xml的dom树对象
常用方法：
Element getElementById(String id)：根据id获取元素
Elements getElementsByTag(String tagName)：根据标签名获取元素
Elements getElementsByAttribute(String key)：根据属性获取元素
Elements getElementsByAttributeValue(String key,String value)：根据属性名=属性值获取元 素。
Elements select(Sting cssQuery)：根据选择器选取元素。
public class Demo3 {
// Document
public static void main(String[] args) throws IOException {
String path = Demo3.class.getClassLoader().getResource("com/itbaizhan/jsoup/student.xml").getPath();
Document document = Jsoup.parse(new File(path), "utf-8");
// 根据id获取元素
Element baizhan_0001 = document.getElementById("baizhan_0001");
System.out.println(baizhan_0001);
System.out.println("----------------------");
// 根据标签获取元素
Elements age = document.getElementsByTag("age");
for (Element element : age) {
System.out.println(element);
}
System.out.println("----------------------");
// 根据属性获取元素
Elements english = document.getElementsByAttribute("english");
for (Element element : english) {
System.out.println(element);
}
System.out.println("----------------------");
// 根据属性名=属性值获取元素
Elements elementsByAttributeValue =
document.getElementsByAttributeValue("english", "bz");
for (Element element : elementsByAttributeValue) {
System.out.println(element);
}
System.out.println("----------------------");
// 使用CSS选择器获取元素
Elements select = document.select("#baizhan_0001");
System.out.println(select);
System.out.println("----------------------");
Elements sex = document.select("sex");
System.out.println(sex);
System.out.println("----------------------");
Elements select1 = document.select(".aa");
System.out.println(select1);
}
}
Jsoup解析器_Element
Element: 元素对象
常用方法：
String text()：获取元素包含的纯文本。
String html()：获取元素包含的带标签的文本。
String attr(String attributeKey)：获取元素的属性值。
public class Demo4 {
// Document
public static void main(String[] args) throws IOException {
String path = Demo4.class.getClassLoader().getResource("com/itbaizhan/jsoup/student.xml").getPath();
Document document = Jsoup.parse(new File(path), "utf-8");
// 使用CSS选择器获取元素
Elements elements = document.select("#baizhan_0001");
Element element = elements.get(0);
System.out.println(element.text());
System.out.println("-----------------------");
System.out.println(element.html());
System.out.println("-----------------------");
System.out.println(element.attr("id"));
}
}
Jsoup解析器_XPath解析
XPath即为XML路径语言，它是一种用来确定标记语言文档中某部 分位置的语言。
使用方法：
1 导入 Xpath 的jar包 、
2 获取 Document 对象
3 将 Document 对象转为 JXDocument 对象
4 JXDocument 调用 selN(String xpath) ，获取 List 对象。
5 遍历 List ，调用 JXNode 的 getElement() ，转为 Element 对象。
6 处理 Element 对象。
public class Demo5 {
// Document
public static void main(String[] args) throws IOException, XpathSyntaxErrorException
{
String path = Demo5.class.getClassLoader().getResource("com/itbaizhan/jsoup/student.xml").getPath();
// 1. 获取`Document`对象
Document document = Jsoup.parse(new File(path), "utf-8");
//2. 将`Document`对象转为`JXDocument`对象
JXDocument jxDocument = newJXDocument(document);
//3. `JXDocument`调用`selN(String xpath)`，获取`List<JXNode>`对象。
// List<JXNode> jxNodes = jxDocument.selN("//name");
// 想拿到baizhan_0001的年龄
List<JXNode> jxNodes = jxDocument.selN("//student[@id='baizhan_0001']/age");
//4. 遍历`List<JXNode>`，调用`JXNode`的`getElement()`，转为`Element`对象。
for (JXNode jxNode : jxNodes) {
Element element = jxNode.getElement();
//5. 处理`Element`对象。
System.out.println(element);
}
}
}
XML案例_使用Jsoup完成网页爬虫
网络爬虫（web crawler）：自动抓取互联网信息的程序。
比如我们要开发一个网站，在网页的右上角需要显示今日天 气，如果人工查询天气预报维护非常繁琐，我们就可以使用爬 虫程序自动爬取天气网站的程序，自动更新。
Jsoup可以通过URL获取网页的HTML源文件，源文件中包含着网站 数据，我们可以解析HTML源文件的数据来获取我们需要的信息。
爬虫步骤：
1 引入jar包。
2 使用Jsoup获取网页HTML源文件，转为Document对象
3 通过Document对象，获取需要的Element对象
4 获取Element对象的数据。
5 设置循环自动爬取
public class CrawlerDemo {
public static void main(String[] args) {
int min = 9734020;
int max = 9734346;
// 循环爬取数据
for (int i = min; i <= max; i++) {
try {
//1. 使用Jsoup获取网页HTML源文件，转为Document对象
Document document = Jsoup.parse(new URL("http://daily.zhihu.com/story/"+i), 3000);
// System.out.println(document);
//2. 通过Document对象，获取需要的Element对象
Elements headerImgEle = document.getElementsByAttributeValue("alt","头图");
Elements titleEle = document.select(".DailyHeader-title");
Elements authorEle = document.select(".author");
Elements contentELe = document.select(".content");
//3. 获取Element对象的数据。
System.out.println(headerImgEle.get(0).attr("src"));
System.out.println(titleEle.get(0).text());
System.out.println(authorEle.get(0).text());
System.out.println(contentELe.get(0).text());
}catch (Exception e){}
}
}
}
XML案例_使用XML配置爬虫程序的参数
爬虫程序有一些参数需要配置，如果直接将参数写在JAVA程序中， 则修改参数非常不方便，所以此时我们将参数写在XML配置文件 中，通过解析XML文件获取参数的配置信息。
1 编写爬虫程序的XML配置文件 Crawler.xml
<?xml version="1.0"?>
<Crawler>
<min>9734020</min>
<max>9734346</max>
</Crawler>
2 编写爬虫程序
public class CrawlerDemo {
public static void main(String[] args) throws IOException {
int min = 0;
int max = 0;
// 解析XML配置文件
String path = CrawlerDemo.class.getClassLoader().getResource("com/itbaizhan/crawler/Crawler.xml").getPath();
Document document1 = Jsoup.parse(new File(path), "utf-8");
Elements minELe = document1.getElementsByTag("min");
Elements maxELe = document1.getElementsByTag("max");
min = Integer.parseInt(minELe.get(0).text());
max = Integer.parseInt(maxELe.get(0).text());
// 循环爬取数据
for (int i = min; i <= max; i++) {
try {
//1. 使用Jsoup获取网页HTML源文件，转为Document对象
Document document = Jsoup.parse(new URL("http://daily.zhihu.com/story/"+i), 3000);
// System.out.println(document);
//2. 通过Document对象，获取需要的Element对象
Elements headerImgEle = document.getElementsByAttributeValue("alt", "头图");
Elements titleEle =document.select(".DailyHeader-title");
Elements authorEle =document.select(".author");
Elements contentELe =document.select(".content");
//3. 获取Element对象的数据。
System.out.println(headerImgEle.get(0).attr("src"));
System.out.println(titleEle.get(0).text());
System.out.println(authorEle.get(0).text());
System.out.println(contentELe.get(0).text());
}catch (Exception e){}
}
}
}
