• (转载)Html解析工具Jsoup


    jsoup 简介
    Java 程序在解析 HTML 文档时,相信大家都接触过 htmlparser 这个开源项目,我曾经在 IBM DW 上发表过两篇关于 htmlparser 的文章,分别是:从 HTML 中攫取你所需的信息和 扩展 HTMLParser 对自定义标签的处理能力。但现在我已经不再使用 htmlparser 了,原因是 htmlparser 很少更新,但最重要的是有了 jsoup 。
    jsoup 是一款 Java 的 HTML 解析器,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 DOM,CSS 以及类似于 jQuery 的操作方法来取出和操作数据。
    jsoup 的主要功能如下:
    1. 从一个 URL,文件或字符串中解析 HTML;
    2. 使用 DOM 或 CSS 选择器来查找、取出数据;
    3. 可操作 HTML 元素、属性、文本;

    官网地址:http://www.open-open.com/jsoup/     

    jsoup Cookbook(中文版)
    入门
    1.解析和遍历一个html文档
    输入
    2.解析一个html字符串
    3.解析一个body片断
    4.根据一个url加载Document对象
    5.根据一个文件加载Document对象
    数据抽取
    6.使用dom方法来遍历一个Document对象
    7.使用选择器语法来查找元素
    8.从元素集合抽取属性、文本和html内容
    9.URL处理
    10.程序示例:获取所有链接
    数据修改
    11.设置属性值
    12.设置元素的html内容
    13.设置元素的文本内容
    html清理
    14.消除不受信任的html (来防止xss攻击)

    1.解析和遍历一个HTML文档
    如何解析一个HTML文档:

    1
    2
    3
    String html = "<html><head><title>First parse</title></head>"
    "<body><p>Parsed HTML into a doc.</p></body></html>";
    Document doc = Jsoup.parse(html);

      (更详细内容可查看 解析一个HTML字符串.)

    其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果,无论HTML的格式是否完整。比如它可以处理:

    没有关闭的标签 (比如: <p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>)
    隐式标签 (比如. 它可以自动将 <td>Table data</td>包装成<table><tr><td>?)
    创建可靠的文档结构(html标签包含head 和 body,在head只出现恰当的元素)
    一个文档的对象模型
    文档由多个Elements和TextNodes组成 (以及其它辅助nodes:详细可查看:nodes package tree).
    其继承结构如下:Document继承Element继承NodeTextNode继承 Node.
    一个Element包含一个子节点集合,并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。
    参见
    数据抽取:DOM遍历
    数据抽取:Selector syntax

    2.解析一个HTML字符串
    存在问题
    来自用户输入,一个文件或一个网站的HTML字符串,你可能需要对它进行解析并取其内容,或校验其格式是否完整,或想修改它。怎么办?jsonu能够帮你轻松解决这些问题

    解决方法
    使用静态Jsoup.parse(String html) 方法或 Jsoup.parse(String html, String baseUri)示例代码:

    1
    2
    3
    String html = "<html><head><title>First parse</title></head>"
    "<body><p>Parsed HTML into a doc.</p></body></html>";
    Document doc = Jsoup.parse(html);

      描述

    parse(String html, String baseUri) 这方法能够将输入的HTML解析为一个新的文档 (Document),参数 baseUri 是用来将相对 URL 转成绝对URL,并指定从哪个网站获取文档。如这个方法不适用,你可以使用 parse(String html) 方法来解析成HTML字符串如上面的示例。.

    只要解析的不是空字符串,就能返回一个结构合理的文档,其中包含(至少) 一个head和一个body元素。

    一旦拥有了一个Document,你就可以使用Document中适当的方法或它父类 Element和Node中的方法来取得相关数据。

    3.解析一个body片断

    问题
    假如你有一个HTML片断 (比如. 一个 div 包含一对 p 标签; 一个不完整的HTML文档) 想对它进行解析。这个HTML片断可以是用户提交的一条评论或在一个CMS页面中编辑body部分。

    办法
    使用Jsoup.parseBodyFragment(String html)方法.

    1
    2
    3
    String html = "<div><p>Lorem ipsum.</p>";
    Document doc = Jsoup.parseBodyFragment(html);
    Element body = doc.body();

      说明

    parseBodyFragment 方法创建一个空壳的文档,并插入解析过的HTML到body元素中。假如你使用正常的Jsoup.parse(String html) 方法,通常你也可以得到相同的结果,但是明确将用户输入作为 body片段处理,以确保用户所提供的任何糟糕的HTML都将被解析成body元素。

    Document.body() 方法能够取得文档body元素的所有子元素,与 doc.getElementsByTag("body")相同。

    保证安全Stay safe
    假如你可以让用户输入HTML内容,那么要小心避免跨站脚本攻击。利用基于 Whitelist 的清除器和 clean(String bodyHtml, Whitelist whitelist)方法来清除用户输入的恶意内容。

    4.从一个URL加载一个Document

    存在问题

    你需要从一个网站获取和解析一个HTML文档,并查找其中的相关数据。你可以使用下面解决方法:

    解决方法

    使用 Jsoup.connect(String url)方法:

    1
    2
    Document doc = Jsoup.connect("http://example.com/").get();
    String title = doc.title();

      说明

    connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。如果从该URL获取HTML时发生错误,便会抛出 IOException,应适当处理。

    Connection 接口还提供一个方法链来解决特殊请求,具体如下:

    1
    2
    3
    4
    5
    6
    Document doc = Jsoup.connect("http://example.com")
      .data("query""Java")
      .userAgent("Mozilla")
      .cookie("auth""token")
      .timeout(3000)
      .post();

      这个方法只支持Web URLs (httphttps 协议); 假如你需要从一个文件加载,可以使用 parse(File in, String charsetName) 代替。

    5.从一个文件加载一个文档

    问题

    在本机硬盘上有一个HTML文件,需要对它进行解析从中抽取数据或进行修改。

    办法

    可以使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法:

    1
    2
    File input = new File("/tmp/input.html");
    Document doc = Jsoup.parse(input, "UTF-8""http://example.com/");

      说明

    parse(File in, String charsetName, String baseUri) 这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误,将抛出IOException,应作适当处理。

    baseUri 参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。

    另外还有一个方法parse(File in, String charsetName) ,它使用文件的路径做为 baseUri。 这个方法适用于如果被解析文件位于网站的本地文件系统,且相关链接也指向该文件系统。

    6.使用DOM方法来遍历一个文档

    问题

    你有一个HTML文档要从中提取数据,并了解这个HTML文档的结构。

    方法

    将HTML解析成一个Document之后,就可以使用类似于DOM的方法进行操作。示例代码:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    File input = new File("/tmp/input.html");
    Document doc = Jsoup.parse(input, "UTF-8""http://example.com/");
     
    Element content = doc.getElementById("content");
    Elements links = content.getElementsByTag("a");
    for (Element link : links) {
      String linkHref = link.attr("href");
      String linkText = link.text();
    }

      说明

    Elements这个对象提供了一系列类似于DOM的方法来查找元素,抽取并处理其中的数据。具体如下:

    查找元素

    元素数据

    操作HTML和文本

    7.使用选择器语法来查找元素

    问题

    你想使用类似于CSS或jQuery的语法来查找和操作元素。

    方法

    可以使用Element.select(String selector) 和 Elements.select(String selector) 方法实现:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    File input = new File("/tmp/input.html");
    Document doc = Jsoup.parse(input, "UTF-8""http://example.com/");
     
    Elements links = doc.select("a[href]"); //带有href属性的a元素
    Elements pngs = doc.select("img[src$=.png]");
      //扩展名为.png的图片
     
    Element masthead = doc.select("div.masthead").first();
      //class等于masthead的div标签
     
    Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素

     说明

    jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.

    这个select 方法在DocumentElement,或Elements对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。

    Select方法将返回一个Elements集合,并提供一组方法来抽取和处理结果。

    Selector选择器概述

    • tagname: 通过标签查找元素,比如:a
    • ns|tag: 通过标签在命名空间查找元素,比如:可以用 fb|name 语法来查找 <fb:name> 元素
    • #id: 通过ID查找元素,比如:#logo
    • .class: 通过class名称查找元素,比如:.masthead
    • [attribute]: 利用属性查找元素,比如:[href]
    • [^attr]: 利用属性名前缀来查找元素,比如:可以用[^data-] 来查找带有HTML5 Dataset属性的元素
    • [attr=value]: 利用属性值来查找元素,比如:[width=500]
    • [attr^=value][attr$=value][attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素,比如:[href*=/path/]
    • [attr~=regex]: 利用属性值匹配正则表达式来查找元素,比如: img[src~=(?i).(png|jpe?g)]
    • *: 这个符号将匹配所有元素

    Selector选择器组合使用

    • el#id: 元素+ID,比如: div#logo
    • el.class: 元素+class,比如: div.masthead
    • el[attr]: 元素+class,比如: a[href]
    • 任意组合,比如:a[href].highlight
    • ancestor child: 查找某个元素下子元素,比如:可以用.body p 查找在"body"元素下的所有 p元素
    • parent > child: 查找某个父元素下的直接子元素,比如:可以用div.content > p 查找 p 元素,也可以用body > * 查找body标签下所有直接子元素
    • siblingA + siblingB: 查找在A元素之前第一个同级元素B,比如:div.head + div
    • siblingA ~ siblingX: 查找A元素之前的同级X元素,比如:h1 ~ p
    • el, el, el:多个选择器组合,查找匹配任一选择器的唯一元素,例如:div.masthead, div.logo

    伪选择器selectors

    • :lt(n): 查找哪些元素的同级索引值(它的位置在DOM树中是相对于它的父节点)小于n,比如:td:lt(3) 表示小于三列的元素
    • :gt(n):查找哪些元素的同级索引值大于n,比如: div p:gt(2)表示哪些div中有包含2个以上的p元素
    • :eq(n): 查找哪些元素的同级索引值与n相等,比如:form input:eq(1)表示包含一个input标签的Form元素
    • :has(seletor): 查找匹配选择器包含元素的元素,比如:div:has(p)表示哪些div包含了p元素
    • :not(selector): 查找与选择器不匹配的元素,比如: div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表
    • :contains(text): 查找包含给定文本的元素,搜索不区分大不写,比如: p:contains(jsoup)
    • :containsOwn(text): 查找直接包含给定文本的元素
    • :matches(regex): 查找哪些元素的文本匹配指定的正则表达式,比如:div:matches((?i)login)
    • :matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
    • 注意:上述伪选择器索引是从0开始的,也就是说第一个元素索引值为0,第二个元素index为1等

    可以查看Selector API参考来了解更详细的内容

    8.从元素抽取属性,文本和HTML

    问题

    在解析获得一个Document实例对象,并查找到一些元素之后,你希望取得在这些元素中的数据。

    方法

    示例:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";
    Document doc = Jsoup.parse(html);//解析HTML字符串返回一个Document实现
    Element link = doc.select("a").first();//查找第一个a元素
     
    String text = doc.body().text(); // "An example link"//取得字符串中的文本
    String linkHref = link.attr("href"); // "http://example.com/"//取得链接地址
    String linkText = link.text(); // "example""//取得链接地址中的文本
     
    String linkOuterH = link.outerHtml();
        // "<a href="http://example.com"><b>example</b></a>"
    String linkInnerH = link.html(); // "<b>example</b>"//取得链接内的html内容

      说明

    上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用:

    这些访问器方法都有相应的setter方法来更改数据.

    参见

    9.处理URLs

    问题

    你有一个包含相对URLs路径的HTML文档,需要将这些相对路径转换成绝对路径的URLs。

    方法

    1. 在你解析文档时确保有指定base URI,然后
    2. 使用 abs: 属性前缀来取得包含base URI的绝对路径。代码如下: 
      1
      2
      3
      4
      5
      Document doc = Jsoup.connect("http://www.open-open.com").get();
       
      Element link = doc.select("a").first();
      String relHref = link.attr("href"); // == "/"
      String absHref = link.attr("abs:href"); // "http://www.open-open.com/"

        说明

    在HTML元素中,URLs经常写成相对于文档位置的相对路径: <a href="/download">...</a>. 当你使用 Node.attr(String key) 方法来取得a元素的href属性时,它将直接返回在HTML源码中指定定的值。

    假如你需要取得一个绝对路径,需要在属性名前加 abs: 前缀。这样就可以返回包含根路径的URL地址attr("abs:href")

    因此,在解析HTML文档时,定义base URI非常重要。

    如果你不想使用abs: 前缀,还有一个方法能够实现同样的功能 Node.absUrl(String key)

    10.示例程序: 获取所有链接

    这个示例程序将展示如何从一个URL获得一个页面。然后提取页面中的所有链接、图片和其它辅助内容。并检查URLs和文本信息。

    运行下面程序需要指定一个URLs作为参数

    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
    import org.jsoup.Jsoup;
    import org.jsoup.helper.Validate;
    import org.jsoup.nodes.Document;
    import org.jsoup.nodes.Element;
    import org.jsoup.select.Elements;
     
    import java.io.IOException;
     
    /**
     * Example program to list links from a URL.
     */
    public class ListLinks {
        public static void main(String[] args) throws IOException {
           // Validate.isTrue(args.length == 1, "usage: supply url to fetch");
            String url = "http://news.ycombinator.com/";
            print("Fetching %s...", url);
     
            Document doc = Jsoup.connect(url).get();
            Elements links = doc.select("a[href]"); //"a[href]" //带有href属性的a元素
            Elements media = doc.select("[src]");   //利用属性查找元素,比如:[href]
            Elements imports = doc.select("link[href]");
     
            print(" Media: (%d)", media.size());
            for (Element src : media) {
                if (src.tagName().equals("img"))
                    print(" * %s: <%s> %sx%s (%s)",
                            src.tagName(), src.attr("abs:src"), src.attr("width"), src.attr("height"),
                            trim(src.attr("alt"), 20));//src.attr("src")结果:<y18.gif> 18x18 () 
                                                       //src.attr("abs:src")结果:<https://news.ycombinator.com/y18.gif> 18x18 ()
                else
                    print(" * %s: <%s>", src.tagName(), src.attr("abs:src"));
            }
     
            print(" Imports: (%d)", imports.size());
            for (Element link : imports) {
                print(" * %s <%s> (%s)", link.tagName(),link.attr("abs:href"), link.attr("rel"));
            }
     
            print(" Links: (%d)", links.size());
            for (Element link : links) {
                print(" * a: <%s>  (%s)", link.attr("abs:href"), trim(link.text(), 35));
            }
        }
     
        private static void print(String msg, Object... args) {
            System.out.println(String.format(msg, args));
        }
     
        private static String trim(String s, int width) {
            if (s.length() > width)
                return s.substring(0, width-1) + ".";
            else
                return s;
        }
    }
    //org/jsoup/examples/ListLinks.java

      示例输入结果:

    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
    Fetching http://news.ycombinator.com/...
     
    Media: (38)
     * img: <http://ycombinator.com/images/y18.gif> 18x18 ()
     * img: <http://ycombinator.com/images/s.gif> 10x1 ()
     * img: <http://ycombinator.com/images/grayarrow.gif> x ()
     * img: <http://ycombinator.com/images/s.gif> 0x10 ()
     * script: <http://www.co2stats.com/propres.php?s=1138>
     * img: <http://ycombinator.com/images/s.gif> 15x1 ()
     * img: <http://ycombinator.com/images/hnsearch.png> x ()
     * img: <http://ycombinator.com/images/s.gif> 25x1 ()
     * img: <http://mixpanel.com/site_media/images/mixpanel_partner_logo_borderless.gif> x (Analytics by Mixpan.)
      
    Imports: (2)
     * link <http://ycombinator.com/news.css> (stylesheet)
     * link <http://ycombinator.com/favicon.ico> (shortcut icon)
      
    Links: (141)
     * a: <http://ycombinator.com>  ()
     * a: <http://news.ycombinator.com/news>  (Hacker News)
     * a: <http://news.ycombinator.com/newest>  (new)
     * a: <http://news.ycombinator.com/newcomments>  (comments)
     * a: <http://news.ycombinator.com/leaders>  (leaders)
     * a: <http://news.ycombinator.com/jobs>  (jobs)
     * a: <http://news.ycombinator.com/submit>  (submit)
     * a: <http://news.ycombinator.com/x?fnid=JKhQjfU7gW>  (login)
     * a: <http://news.ycombinator.com/vote?for=1094578&dir=up&whence=%6e%65%77%73>  ()
     * a: <http://www.readwriteweb.com/archives/facebook_gets_faster_debuts_homegrown_php_compiler.php?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+readwriteweb+%28ReadWriteWeb%29&utm_content=Twitter>  (Facebook speeds up PHP)
     * a: <http://news.ycombinator.com/user?id=mcxx>  (mcxx)
     * a: <http://news.ycombinator.com/item?id=1094578>  (9 comments)
     * a: <http://news.ycombinator.com/vote?for=1094649&dir=up&whence=%6e%65%77%73>  ()
     * a: <http://groups.google.com/group/django-developers/msg/a65fbbc8effcd914>  ("Tough. Django produces XHTML.")
     * a: <http://news.ycombinator.com/user?id=andybak>  (andybak)
     * a: <http://news.ycombinator.com/item?id=1094649>  (3 comments)
     * a: <http://news.ycombinator.com/vote?for=1093927&dir=up&whence=%6e%65%77%73>  ()
     * a: <http://news.ycombinator.com/x?fnid=p2sdPLE7Ce>  (More)
     * a: <http://news.ycombinator.com/lists>  (Lists)
     * a: <http://news.ycombinator.com/rss>  (RSS)
     * a: <http://ycombinator.com/bookmarklet.html>  (Bookmarklet)
     * a: <http://ycombinator.com/newsguidelines.html>  (Guidelines)
     * a: <http://ycombinator.com/newsfaq.html>  (FAQ)
     * a: <http://ycombinator.com/newsnews.html>  (News News)
     * a: <http://news.ycombinator.com/item?id=363>  (Feature Requests)
     * a: <http://ycombinator.com>  (Y Combinator)
     * a: <http://ycombinator.com/w2010.html>  (Apply)
     * a: <http://ycombinator.com/lib.html>  (Library)
     * a: <http://www.webmynd.com/html/hackernews.html>  ()
     * a: <http://mixpanel.com/?from=yc>  ()

      

    11.设置属性的值

    问题

    在你解析一个Document之后可能想修改其中的某些属性值,然后再保存到磁盘或都输出到前台页面。

    方法

    可以使用属性设置方法 Element.attr(String key, String value), 和 Elements.attr(String key, String value).

    假如你需要修改一个元素的 class 属性,可以使用 Element.addClass(String className) 和Element.removeClass(String className) 方法。

    Elements 提供了批量操作元素属性和class的方法,比如:要为div中的每一个a元素都添加一个rel="nofollow" 可以使用如下方法:

    1
    doc.select("div.comments a").attr("rel""nofollow");

      说明

    Element中的其它方法一样,attr 方法也是返回当 Element (或在使用选择器是返回 Elements 集合)。这样能够很方便使用方法连用的书写方式。比如:

    1
    doc.select("div.masthead").attr("title""jsoup").addClass("round-box");

      

    12.设置一个元素的HTML内容

    问题

    你需要一个元素中的HTML内容

    方法

    可以使用Element中的HTML设置方法具体如下:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    Element div = doc.select("div").first(); // <div></div>
    div.html("<p>lorem ipsum</p>"); // <div><p>lorem ipsum</p></div>
    div.prepend("<p>First</p>");//在div前添加html内容
    div.append("<p>Last</p>");//在div之后添加html内容
    // 添完后的结果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div>
     
    Element span = doc.select("span").first(); // <span>One</span>
    span.wrap("<li><a href='http://example.com/'></a></li>");
    // 添完后的结果: <li><a href="http://example.com"><span>One</span></a></li>

      说明

    参见

    可以查看API参考文档中 Element.prependElement(String tag)Element.appendElement(String tag) 方法来创建新的元素并作为文档的子元素插入其中。

    13.设置元素的文本内容

    问题

    你需要修改一个HTML文档中的文本内容

    方法

    可以使用Element的设置方法::

    1
    2
    3
    4
    5
    Element div = doc.select("div").first(); // <div></div>
    div.text("five > four"); // <div>five > four</div>
    div.prepend("First ");
    div.append(" Last");
    // now: <div>First five > four Last</div>

      说明

    文本设置方法与 HTML setter 方法一样:

    对于传入的文本如果含有像 <> 等这样的字符,将以文本处理,而非HTML。

    14.消除不受信任的HTML (来防止XSS攻击)

    问题

    在做网站的时候,经常会提供用户评论的功能。有些不怀好意的用户,会搞一些脚本到评论内容中,而这些脚本可能会破坏整个页面的行为,更严重的是获取一些机要信息,此时需要清理该HTML,以避免跨站脚本cross-site scripting攻击(XSS)。

    方法

    使用jsoup HTML Cleaner 方法进行清除,但需要指定一个可配置的 Whitelist

    1
    2
    3
    4
    String unsafe =
      "<p><a href='http://example.com/' onclick='stealCookies()'>Link</a></p>";
    String safe = Jsoup.clean(unsafe, Whitelist.basic());
    // now: <p><a href="http://example.com/" rel="nofollow">Link</a></p>

      说明

    XSS又叫CSS (Cross Site Script) ,跨站脚本攻击。它指的是恶意攻击者往Web页面里插入恶意html代码,当用户浏览该页之时,嵌入其中Web里面的html代码会被执行,从而达到恶意攻击用户的特殊目的。XSS属于被动式的攻击,因为其被动且不好利用,所以许多人常忽略其危害性。所以我们经常只让用户输入纯文本的内容,但这样用户体验就比较差了。

    一个更好的解决方法就是使用一个富文本编辑器WYSIWYG如CKEditor 和 TinyMCE。这些可以输出HTML并能够让用户可视化编辑。虽然他们可以在客户端进行校验,但是这样还不够安全,需要在服务器端进行校验并清除有害的HTML代码,这样才能确保输入到你网站的HTML是安全的。否则,攻击者能够绕过客户端的Javascript验证,并注入不安全的HMTL直接进入您的网站。

    jsoup的whitelist清理器能够在服务器端对用户输入的HTML进行过滤,只输出一些安全的标签和属性。

    jsoup提供了一系列的Whitelist基本配置,能够满足大多数要求;但如有必要,也可以进行修改,不过要小心。

    这个cleaner非常好用不仅可以避免XSS攻击,还可以限制用户可以输入的标签范围。

    参见

    • 参阅XSS cheat sheet ,有一个例子可以了解为什么不能使用正则表达式,而采用安全的whitelist parser-based清理器才是正确的选择。
    • 参阅Cleaner ,了解如何返回一个 Document 对象,而不是字符串
    • 参阅Whitelist,了解如何创建一个自定义的whitelist
    • nofollow 链接属性了解

      

    转发请注明出处:http://www.cnblogs.com/jycboy/p/jsoupdoc.html

  • 相关阅读:
    POJ ACM题分类
    HDU 4438 Hunters (概率 & 期望)
    HDU 1042 N!
    HDU 1073 Online Judge
    PKU 1006 Biorhythms (中国剩余定理 * *)
    HDU 1047 Integer Inquiry
    HDU 2710 Max Factorv (素数模板 & 多种解法)
    HDU A + B Problem II 1002
    第6期(江西省吉安市永丰县)县长手机信箱工作简报(自吹自擂政绩,自圆其说)
    Send mail from ASP.NET using your gmail account
  • 原文地址:https://www.cnblogs.com/zhongshiqiang/p/8269970.html
Copyright © 2020-2023  润新知