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 ></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。