Analyse HTML Java

Pour obtenir des données à partir d'un site Web, vous devez d'abord comprendre la structure du document HTML. Les éléments HTML sont organisés à l'aide de balises qui spécifient le type et le contenu de chaque élément.

Par exemple, le code HTML suivant représente une balise div avec une classe CSS spécifique :

Pour localiser et récupérer les données de cette balise en Java, vous pouvez utiliser une bibliothèque d'analyseur HTML Java. Une option est jsoup, qui permet une analyse HTML pratique en utilisant une syntaxe de type jQuery :

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

String html = "
Data to be scraped
";
Document doc = Jsoup.parse(html);

boolean usesClass = doc.select("div.classname").hasAttr("class");
String text = doc.select("div.classname").text();
String link = doc.select("div.classname").attr("href");

Avec jsoup, vous pouvez facilement vérifier si un élément a une classe spécifique, récupérer son contenu textuel ou obtenir un attributs qu'il peut avoir.