Jsoup应该说是最简单快速的Html解析程序了，完善的API以及与JS类似的操作方式，为Java的Html解析带来极大的方便，结合多线程适合做一些网络数据的抓取，本文从一下几个方面介绍一下，篇幅有限，化繁为简。
下载Jsouphttp://jsoup.org/download
查看官方提供的手册：http://jsoup.org/cookbook/
获取一个Document，这是Jsoup最核心的一个对象
有三种途径来加载Document：字符串，URL地址，文件
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
|
/**
*
*/
package
org.xdemo.example.jsoupdemo.input;
import
java.io.File;
import
java.io.IOException;
import
org.jsoup.Jsoup;
import
org.jsoup.nodes.Document;
import
org.jsoup.nodes.Element;
import
org.jsoup.safety.Whitelist;
/**
* @作者 Goofy
* @邮件 [email protected]
* @日期 2014-4-2上午10:54:53
* @描述
*/
public
class
ParseDocument {
/**
* 将String转换成Document
* @return org.jsoup.nodes.Document
*/
public
static
Document parseHtmlFromString(){
String html =
"<html><head><title>标题</title></head>"
+
"<body><p>段落</p></body></html>"
;
Document doc = Jsoup.parse(html);
return
doc;
}
/**
* 注意：这是一个不安全的方法
* 将String转换成Html片段,注意防止跨站脚本攻击
* @return Element
*/
public
static
Element parseHtmlFragmentFromStringNotSafe(){
String html =
"<div><p>Lorem ipsum.</p>"
;
Document doc = Jsoup.parseBodyFragment(html);
Element body = doc.body();
return
body;
}
/**
* 这是一个安全的方法
* 将String转换成Html片段,注意防止跨站脚本攻击
* @return Element
*/
public
static
Element parseHtmlFragmentFromStringSafe(){
String html =
"<div><p>Lorem ipsum.</p>"
;
//白名单列表定义了哪些元素和属性可以通过清洁器，其他的元素和属性一律移除
Whitelist wl=
new
Whitelist();
//比较松散的过滤，包括
//"a", "b", "blockquote", "br", "caption", "cite", "code", "col",
//"colgroup", "dd", "div", "dl", "dt", "em", "h1", "h2", "h3", "h4", "h5", "h6",
//"i", "img", "li", "ol", "p", "pre", "q", "small", "strike", "strong",
//"sub", "sup", "table", "tbody", "td", "tfoot", "th", "thead", "tr", "u",
//"ul"
Whitelist.relaxed();
//没有任何标签，只有文本
Whitelist.none();
//常规的过滤器
//"a", "b", "blockquote", "br", "cite", "code", "dd", "dl", "dt", "em",
//"i", "li", "ol", "p", "pre", "q", "small", "strike", "strong", "sub",
//"sup", "u", "ul"
Whitelist.basic();
//常规的过滤器，多了一个img标签
Whitelist.basicWithImages();
//文本类型的标签
//"b", "em", "i", "strong", "u"
Whitelist.simpleText();
//另外还可以自定义过滤规则,例如
wl.addTags(
"a"
);
//执行过滤
Jsoup.clean(html, wl);
Document doc = Jsoup.parseBodyFragment(html);
Element body = doc.body();
return
body;
}
/**
* 从URL加载
* @return Document
*/
public
static
Document parseDocumentFromUrl(){
Document doc =
null
;
try
{
doc = Jsoup.connect(
"http://www.google.com/"
).get();
//获取标题
String title = doc.title();
System.out.println(title);
//输出：Google
//data(key,value)是该URL要求的参数
//userAgent制定用户使用的代理类型
//cookie带上cookie，如cookie("JSESSIONID","FDE234242342342423432432")
//连接超时时间
//post或者get方法
doc = Jsoup.connect(
"http://www.xxxxx.com/"
)
.data(
"query"
,
"Java"
)
.userAgent(
"Mozilla"
)
.cookie(
"auth"
,
"token"
)
.timeout(
3000
)
.post();
}
catch
(IOException e) {
e.printStackTrace();
}
return
doc;
}
/**
* 从文件加载
* @return Document
*/
public
static
Document parseDocumentFromFile(){
File input =
new
File(
"/tmp/input.html"
);
Document doc=
null
;
try
{
//从文件加载Document文档
doc = Jsoup.parse(input,
"UTF-8"
);
System.out.println(doc.title());
}
catch
(IOException e) {
e.printStackTrace();
}
return
doc;
}
}
|
2.选择器
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
|
package
org.xdemo.example.jsoupdemo.extracter;
import
java.util.regex.Pattern;
import
org.jsoup.Jsoup;
import
org.jsoup.nodes.Document;
import
org.jsoup.nodes.Element;
/**
* @作者 Goofy
* @邮件 [email protected]
* @日期 2014-4-2上午10:41:19
* @描述 选择器 操作示例
*/
public
class
Selector {
public
static
void
main(String[] args) {
Document doc;
try
{
//获取文档
doc=Jsoup.connect(
"http://xxx.com/"
).get();
/*****获取单一元素******/
//与JS类似的根据ID选择的选择器<div id="content"></div>
Element content = doc.getElementById(
"content"
);
/*****一下方法的返回值都是Elements集合******/
//获取所有的a标签<a href="#"></a>
content.getElementsByTag(
"a"
);
//类选择器<div></div>
doc.getElementsByClass(
"divClass"
);
//获取Document的所有元素
doc.getAllElements();
//根据属性获取元素<a href="#"></a>
doc.getElementsByAttribute(
"href"
);
//根据属性前缀获取元素 <li data-name="Peter Liu" data-city="ShangHai" data-lang="CSharp" data-food="apple">
doc.getElementsByAttributeStarting(
"data-"
);
//根据key-value选择如<a href="http://xdemo.org"></a>
doc.getElementsByAttributeValue(
"href"
,
"http://xdemo.org"
);
//和上面的正好相反
doc.getElementsByAttributeValueNot(
"href"
,
"http://xdemo.org"
);
//根据key-value,其中value可能是key对应属性的一个子字符串，选择如<a href="http://xdemo.org"></a>
doc.getElementsByAttributeValueContaining(
"href"
,
"xdemo"
);
//根据key-value,其中key对应值的结尾是value，选择如<a href="http://xdemo.org"></a>
doc.getElementsByAttributeValueEnding(
"href"
,
"org"
);
//和上面的正好相反
doc.getElementsByAttributeValueStarting(
"href"
,
"http://xdemo"
);
//正则匹配，value需要满足正则表达式，<a href="http://xdemo.org"></a>,如href的值含有汉字
doc.getElementsByAttributeValueMatching(
"href"
,Pattern.compile(
"[\u4e00-\u9fa5]"
));
//同上
doc.getElementsByAttributeValueMatching(
"href"
,
"[\u4e00-\u9fa5]"
);
//根据元素所在的z-index获取元素
doc.getElementsByIndexEquals(
0
);
//获取z-index大于x的元素
doc.getElementsByIndexGreaterThan(
0
);
//和上面的正好相反
doc.getElementsByIndexLessThan(
10
);
//遍历标签
for
(Element link : content.getElementsByTag(
"a"
)) {
String linkHref = link.attr(
"href"
);
String linkText = link.text();
}
/**************一些其他常用的方法**************/
//获取网页标题
doc.title();
//获取页面的所有文本
doc.text();
//为元素添加一个css class
content.addClass(
"newClass"
);
//根据属性获取值
content.attr(
"id"
);
//获取所有子元素
content.children();
//获取元素内的所有文本
content.text();
//获取同级元素
content.siblingElements();
}
catch
(Exception e) {
e.printStackTrace();
}
}
}
|
3.最后说一点，就是安全问题，解析html的时候要防止跨站脚本攻击cross-site scripting (XSS)，作者也考虑到了这一点，所以真正使用时候需要注意。