XML总结

XML介绍

XML（Extensible Markup Language）：可扩展标记语言

可扩展：标签都是自定义的。

XML的历程：

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。

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。

XML基本语法

文件名后缀必须是xml

第一行必须是文档声明

标签区分大小写

标签必须有回标签

属性值必须用引号引起来

XML的组成部分

文档声明

文档声明必须放在第一行，格式为：

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：

• 包含数字、字母、其他字符
• 不能以数字和标点符号开头，可以以_开头
• 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：

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：

约束：

DTD约束：

DTD是一种较简单的约束技术，引入方式如下：

• 本地引入：
  
• 网络引入：
  

 

例：

第一行：定义了根标签students,允许有多个子标签student

第二行：定义student标签可以有三个子标签(name,age,sex)

三、四、五行：定义了name,age,sex是文本类型

最后一行：定义了student标签的number属性,值为id类型,且number属性必须写

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：

    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"

    xsi:schemaLocation="http://www.itbaizhan.cn/xml student.xsd"

    xmlns="http://www.itbaizhan.cn/xml"

>

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解析思想

SAX解析思想

DOM解析思想

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

学过js的兄嘚应该比较了解，也就是DOM操作嘛，将xml文件转为Document对象，从而可以使用Document对象对元素进行增删改

SAX解析思想

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

常见解析器：

• 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，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
• PULL：Android操作系统内置的解析器，支持SAX思想

Jsoup的作用

Jsoup的作用就是将xml文件转为document对象，通过document对象对元素进行CRUD，js可以将html转为document对象，Jsoup可以将xml转为document对象

Jsoup解析xml文件前需要做什么？

导入Jsoup的jar包

这个jar包我放在百度网盘了大家想要的通过下面这个链接直接领取吧

链接：https://pan.baidu.com/s/1CM0t-dOyPAgPQcVPjU1S0w?pwd=04h9 
提取码：04h9

Jsoup获取Document对象

Jsoup：可以解析xml或html，形成dom树对象。

parse方法的重载：

• 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(timeoutMillis代表访问超时时间)

Document对象获取Element元素对象

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css选择器选取元素。

元素对象的常用方法

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。

例：

通过Jsoup实现爬虫技术

我们这里借用一下知乎日报，实现Jsoup爬虫技术

因为Jsoup可以上传网络资源并转为Document对象，所以使用Jsoup完成爬虫是非常简单的，直接上代码把，我们可以根据知乎日报网站的源代码寻找作者、内容、标题、图片等等内容

package com.baizhan.crawler;
 
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;
 
import java.io.File;
import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;
 
public class CrawlerDemo {
    public static void main(String[] args) throws IOException {
        //循环爬取数据
        int min = 0;
        int max = 0;
        //通过配置文件获取min和max的值
        String path = CrawlerDemo.class.getClassLoader().getResource("com/baizhan/crawler/Crawler.xml").getPath();
        Document d = Jsoup.parse(new File(path),"utf-8");
        min = Integer.parseInt(d.getElementsByTag("min").get(0).text());
        max = Integer.parseInt(d.getElementsByTag("max").get(0).text());
        for (int i = min; i <= max; i++){
            try{
                //通过Jsoup获取网络资源
                Document document = Jsoup.parse(new URL("http://daily.zhihu.com/story/"+i),5000);
                //System.out.println(document);
                //获取需要的Element对象
                Elements headerImgEle = document.getElementsByAttributeValue("alt","头图");
                Elements title = document.select(".DailyHeader-title");
                Elements authorEle = document.select(".author");
                Elements content = document.select(".content");
                //获取Element对象的数据
                System.out.println(headerImgEle.get(0).attr("src"));
                System.out.println(title.get(0).text());
                System.out.println(authorEle.get(0).text());
                System.out.println(content.get(0).text());
                System.out.println(i);
            }catch (Exception e){}
        }
    }
}

然后通过配置文件定义min和max标签，在类中直接读取标签就行了