jsoup小结

最近项目需要，研究了很久的jsoup。做个小小的总结：
首先说一下jsoup是非常强大的。最常用的select(xxx[xxx~=regx])可以选择内容是某种格式的属性的某种标签。这里可以用正则表达式的。
还有一个用的很少的，而且说明文档不清楚的：:eq(n),:lt(n),:gt(n)这三个伪命令。n为位置序号，当前ele的下属的第一个位置的序号是0，然后1，2。。。类推。
还有一个直接孩子的符号〉，一般来说都是用AA BB来表示AA的BB子标签。用AA 〉 BB表示直接孩子。
然后说一下jsoup解决网页编码问题：
jsoup的parser方法可以传入很多种参数，可以是Url，（String，charset），（file，charset），jsoup在parser的时候必须知道网页字符集编码，用如下方式得到：

public static String matchCharset(String content) {
        String chs = "gb2312";
        Pattern p = Pattern.compile("(?<=charset=)(.+)(?=\")");
        Matcher m = p.matcher(content);
        if (m.find())
            return m.group();
        return chs;
    }
    /**
     * 获得字符集
     */
    public static String getCharset (File input) throws Exception{
        Document doc = Jsoup.parse(input,"utf-8");
        Elements eles = doc.select("meta[http-equiv=Content-Type]");
        Iterator<Element> itor = eles.iterator();
        while (itor.hasNext())
            return matchCharset(itor.next().toString());
        return "gb2312";
    }

但是jsoup对网页中 处理以后得到的是无法trim掉的asc空白码，要用content=content.replace(Jsoup.parse(" ").text(),"");去掉。这条命令能同时解决 显示为？？？的问题。
下面这个方法只对部分编码环境有效：
content = new String(content.getBytes()).replace("?","").replace("　","")
因为只有部分环境才会把无法解码的单元用？表示。

最后记录一下匹配基本所有常用数形的正则表达式：
(^[-+]?[1-9]\\d*(\\.[0-9]+)?$)|([1-9]\\d*(,\\d{3})*)