在 JSOUP 中提取嵌入式资源链接的最佳执行方式

Question

我有一个关于解析文档以提取资源链接的最佳方式的问题。

您在这本食谱中的表现：

• http://jsoup.org/cookbook/extracting-data/example-list-links

以下构建 DOM 表示的方法：

    Document doc = Jsoup.connect(url).get();
    Elements links = doc.select("a[href]");

所以我不确定这是最有效的方式。

• 迭代 doc.getAllElements() 是否更好？
• 或者是否有某种等效的 SAX 解析器？

我在 3 月 3 日在 JSOUP googlegroups 上提出了这个问题，但我不确定我的邮件是否通过了过滤器。

Answer 1

最有效的方法是使用NodeTraversor，它是访问者模式的一种实现。它将像其他两个选项一样扫描整个树，但是

• 它不需要解析 CSS 查询并“动态”匹配它 - 与静态过滤器相比，JIT 优化自定义查询不太可能
• 它不会像getAllElements()那样将元素存储到列表中

不支持 SAX 解析模型，因为 Jsoup 总是创建一个 DOM-tree，所以不需要能力较差的 SAX。 HtmlCleaner 也是如此。

final List<Element> elements = new ArrayList<Element>();

new NodeTraversor(new NodeVisitor() {
    public void head(Node node, int depth) {
        if (node instanceof Element) {
            Element element = (Element) node;
            if(element.tagName().equalsIgnoreCase("a") && element.hasAttr("href")){
                elements.add(element);
            }
        }
    }

    public void tail(Node node, int depth) {
    }
}).traverse(doc);

return elements;