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 252878950@qq.com * @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 252878950@qq.com * @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 classcontent.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。