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；
jsoup 是基于 MIT 协议发布的，可放心使用于商业项目。
jsoup 的主要类层次结构如图 1 所示：
图 1. jsoup 的类层次结构
接下来我们专门针对几种常见的应用场景举例说明 jsoup 是如何优雅的进行 HTML 文档处理的。
回页首
文档输入
jsoup 可以从包括字符串、URL 地址以及本地文件来加载 HTML 文档，并生成 Document 对象实例。
下面是相关代码：
清单 1
// 直接从字符串中输入 HTML 文档
String html = "<html><head><title> 开源中国社区 </title></head>"
+ "<body><p> 这里是 jsoup 项目的相关文章 </p></body></html>";
Document doc = Jsoup.parse(html);
// 从 URL 直接加载 HTML 文档
Document doc = Jsoup.connect("http://www.oschina.net/").get();
String title = doc.title();
Document doc = Jsoup.connect("http://www.oschina.net/")
.data("query", "Java") // 请求参数
.userAgent("I ’ m jsoup") // 设置 User-Agent
.cookie("auth", "token") // 设置 cookie
.timeout(3000) // 设置连接超时时间
.post(); // 使用 POST 方法访问 URL
// 从文件中加载 HTML 文档
File input = new File("D:/test.html");
Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/");
请大家注意最后一种 HTML 文档输入方式中的 parse 的第三个参数，为什么需要在这里指定一个网址呢（虽然可以不指定，如第一种方法）？因为 HTML 文档中会有很多例如链接、图片以及所引用的外部脚本、css 文件等，而第三个名为 baseURL 的参数的意思就是当 HTML 文档使用相对路径方式引用外部文件时，jsoup 会自动为这些 URL 加上一个前缀，也就是这个 baseURL。
例如 <a href=/project> 开源软件 </a> 会被转换成 <a href=http://www.oschina.net/project> 开源软件 </a>。
回页首
解析并提取 HTML 元素
这部分涉及一个 HTML 解析器最基本的功能，但 jsoup 使用一种有别于其他开源项目的方式——选择器，我们将在最后一部分详细介绍 jsoup 选择器，本节中你将看到 jsoup 是如何用最简单的代码实现。
不过 jsoup 也提供了传统的 DOM 方式的元素解析，看看下面的代码：
清单 2.
File input = new File("D:/test.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://www.oschina.net/");
Element content = doc.getElementById("content");
Elements links = content.getElementsByTag("a");
for (Element link : links) {
String linkHref = link.attr("href");
String linkText = link.text();
}
你可能会觉得 jsoup 的方法似曾相识，没错，像 getElementById 和 getElementsByTag 方法跟 JavaScript 的方法名称是一样的，功能也完全一致。你可以根据节点名称或者是 HTML 元素的 id 来获取对应的元素或者元素列表。
与 htmlparser 项目不同的是，jsoup 并没有为 HTML 元素定义一个对应的类，一般一个 HTML 元素的组成部分包括：节点名、属性和文本，jsoup 提供简单的方法供你自己检索这些数据，这也是 jsoup 保持瘦身的原因。
而在元素检索方面，jsoup 的选择器简直无所不能，
清单 3.
File input = new File("D:\test.html");
Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/");
Elements links = doc.select("a[href]"); // 具有 href 属性的链接
Elements pngs = doc.select("img[src$=.png]");// 所有引用 png 图片的元素
Element masthead = doc.select("div.masthead").first();
// 找出定义了 class=masthead 的元素
Elements resultLinks = doc.select("h3.r > a"); // direct a after h3
这是 jsoup 真正让我折服的地方，jsoup 使用跟 jQuery 一模一样的选择器对元素进行检索，以上的检索方法如果换成是其他的 HTML 解释器，至少都需要很多行代码，而 jsoup 只需要一行代码即可完成。
jsoup 的选择器还支持表达式功能，我们将在最后一节介绍这个超强的选择器。
回页首
修改数据
在解析文档的同时，我们可能会需要对文档中的某些元素进行修改，例如我们可以为文档中的所有图片增加可点击链接、修改链接地址或者是修改文本等。
下面是一些简单的例子：
清单 4.
doc.select("div.comments a").attr("rel", "nofollow");
// 为所有链接增加 rel=nofollow 属性
doc.select("div.comments a").addClass("mylinkclass");
// 为所有链接增加 class=mylinkclass 属性
doc.select("img").removeAttr("onclick"); // 删除所有图片的 onclick 属性
doc.select("input[type=text]").val(""); // 清空所有文本输入框中的文本
道理很简单，你只需要利用 jsoup 的选择器找出元素，然后就可以通过以上的方法来进行修改，除了无法修改标签名外（可以删除后再插入新的元素），包括元素的属性和文本都可以修改。
修改完直接调用 Element(s) 的 html() 方法就可以获取修改完的 HTML 文档。
回页首
HTML 文档清理
jsoup 在提供强大的 API 同时，人性化方面也做得非常好。在做网站的时候，经常会提供用户评论的功能。有些用户比较淘气，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，例如 XSS 跨站点攻击之类的。
jsoup 对这方面的支持非常强大，使用非常简单。看看下面这段代码：
清单 5.
String unsafe = "<p><a href='http://www.oschina.net/' onclick='stealCookies()'>
开源中国社区 </a></p>";
String safe = Jsoup.clean(unsafe, Whitelist.basic());
// 输出 :
// <p><a href="http://www.oschina.net/" rel="nofollow"> 开源中国社区 </a></p>
jsoup 使用一个 Whitelist 类用来对 HTML 文档进行过滤，该类提供几个常用方法：
表 1. 常用方法：
方法名 简介
none() 只允许包含文本信息
basic() 允许的标签包括：a, b, blockquote, br, cite, code, dd, dl, dt, em, i, li, ol, p, pre, q, small, strike, strong, sub, sup, u, ul, 以及合适的属性
simpleText() 只允许 b, em, i, strong, u 这些标签
basicWithImages() 在 basic() 的基础上增加了图片
relaxed() 这个过滤器允许的标签最多，包括：a, b, blockquote, br, caption, cite, code, col, colgroup, dd, 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
如果这五个过滤器都无法满足你的要求呢，例如你允许用户插入 flash 动画，没关系，Whitelist 提供扩展功能，例如 whitelist.addTags("embed","object","param","span","div"); 也可调用 addAttributes 为某些元素增加属性。
回页首
jsoup 的过人之处——选择器
前面我们已经简单的介绍了 jsoup 是如何使用选择器来对元素进行检索的。本节我们把重点放在选择器本身强大的语法上。下表是 jsoup 选择器的所有语法详细列表。
表 2. 基本用法：
tagname 使用标签名来定位，例如 a
ns|tag 使用命名空间的标签定位，例如 fb:name 来查找 <fb:name> 元素
#id 使用元素 id 定位，例如 #logo
.class 使用元素的 class 属性定位，例如 .head
[attribute] 使用元素的属性进行定位，例如 [href] 表示检索具有 href 属性的所有元素
[^attr] 使用元素的属性名前缀进行定位，例如 [^data-] 用来查找 HTML5 的 dataset 属性
[attr=value] 使用属性值进行定位，例如 [width=500] 定位所有 width 属性值为 500 的元素
[attr^=value], [attr$=value], [attr*=value] 这三个语法分别代表，属性以 value 开头、结尾以及包含
[attr~=regex] 使用正则表达式进行属性值的过滤，例如 img[src~=(?i)\.(png|jpe?g)]
* 定位所有元素
以上是最基本的选择器语法，这些语法也可以组合起来使用，下面是 jsoup 支持的组合用法：
表 3：组合用法：
el#id 定位 id 值某个元素，例如 a#logo -> <a id=logo href= … >
el.class 定位 class 为指定值的元素，例如 div.head -> <div class=head>xxxx</div>
el[attr] 定位所有定义了某属性的元素，例如 a[href]
以上三个任意组合 例如 a[href]#logo 、a[name].outerlink
ancestor child 这五种都是元素之间组合关系的选择器语法，其中包括父子关系、合并关系和层次关系。
parent > child
siblingA + siblingB
siblingA ~ siblingX
el, el, el
除了一些基本的语法以及这些语法进行组合外，jsoup 还支持使用表达式进行元素过滤选择。下面是 jsoup 支持的所有表达式一览表：
表 4. 表达式：
:lt(n) 例如 td:lt(3) 表示 小于三列
:gt(n) div p:gt(2) 表示 div 中包含 2 个以上的 p
:eq(n) form input:eq(1) 表示只包含一个 input 的表单
:has(seletor) div:has(p) 表示包含了 p 元素的 div
:not(selector) div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text) 包含某文本的元素，不区分大小写，例如 p:contains(oschina)
:containsOwn(text) 文本信息完全等于指定条件的过滤
:matches(regex) 使用正则表达式进行文本过滤：div:matches((?i)login)
:matchesOwn(regex) 使用正则表达式找到自身的文本
总结
jsoup 的基本功能到这里就介绍完毕，但由于 jsoup 良好的可扩展性 API 设计，你可以通过选择器的定义来开发出非常强大的 HTML 解析功能。再加上 jsoup 项目本身的开发也非常活跃，因此如果你正在使用 Java ，需要对 HTML 进行处理，不妨试试。
分享到：
相关推荐
本主题将深入探讨如何使用`org.htmlparser.Parser`这个Java库来模拟JavaScript中的jQuery选择器，以实现类似的页面元素查找功能。 `org.htmlparser.Parser`是HTMLParser项目的一部分，它是一个用于解析HTML文档的...
- **选择器**：类似于CSS的选择器语法，用于获取页面中的DOM元素。 - **DOM操作**：如`.html()`、`.append()`等方法可以轻松修改DOM结构。 - **事件处理**：使用`.on()`方法绑定事件处理器。 - **AJAX**：jQuery提供...
在提供的文件中，`DownLoadServlet.java`可能是一个处理文件下载的Servlet，而`index.jsp`是展示动态内容的页面。例如，我们可以在`index.jsp`中使用jQuery动态选择器来实现一个简单的实时搜索功能： ```jsp ...
标题中的"jquery_java_"似乎指的是一个与jQuery和Java相关的学习资源集合，可能包含有关如何在Java环境下使用jQuery的示例或教程。虽然“描述”提到的是关于jQuery的素材，但标签中提到了“java”，这可能意味着内容...
jQuery的选择器类似于CSS选择器，用于选取HTML元素。例如，`$("#id")`选取ID为"id"的元素，`$(".class")`选取所有class为"class"的元素，`$("tag")`选取所有标签名为"tag"的元素。此外，jQuery还支持组合选择器、...
1. **选择器（Selectors）**：jQuery的选择器类似于CSS选择器，用于选取HTML元素。例如，`$("#id")`选取ID为id的元素，`$(".class")`选取所有class为class的元素，`$("tagname")`选取所有tagname标签。 2. **DOM...
- 选择器：使用jQuery选择器选取需要操作的DOM元素。 - 动作：执行针对选取元素的操作，如修改内容、添加样式或绑定事件。 3. **jQuery 对象与 DOM 对象的转换** - jQuery对象是jQuery库中的封装对象，可以执行...
3. **CSS选择器**：jsoup支持CSS选择器，这意味着你可以使用类似jQuery的语法来选取页面上的特定元素。例如，`doc.select("div.title")`将选取所有class为"title"的`<div>`元素。 4. **数据提取**：通过jsoup，可以...
jsoup是一个用于处理实际世界HTML的Java库。它提供了非常方便的方法来提取和操作数据，使用DOM，CSS以及类似于jQuery的API。jsoup能够理解HTML的不完美之处，同时提供了强大的功能来清洁、解析、修改以及提取HTML...
Java HTML解析工具Jsoup是一个强大的库，专门设计用于处理HTML文档，提取和操作数据。它提供了类似于DOM、CSS以及jQuery的API，使得在Java中处理HTML变得简单易行。Jsoup能够连接到网页，下载HTML内容，然后进行解析...
"jquery所用的jar包"提供了在Java环境下使用jQuery的可能性，而提供的文件结构表明这是一个完整的Web应用开发环境，包含了HTML、CSS和JavaScript资源，其中jQuery库被用于前端交互和服务器端可能的辅助处理。...
1. **Jsoup** - 这是一个非常流行的库，用于解析 HTML 并提供了类似于 jQuery 的 API 来操作文档。Jsoup 可以方便地提取数据、解析结构、修正不规范的 HTML，并支持 CSS 选择器。例如，你可以使用 `Jsoup.connect...
“jQuery是当前很流行的一个Java框架，使用类似于CSS的选择器，可以方便的操作HTML元素，拥有很好的可扩展性，拥有不少插件。 jQuery可以快速找到文档中的html元素，并对其进行操作，如隐藏、显示、改变样式、添加...
接下来，jQuery是一个广泛使用的JavaScript库，它极大地简化了JavaScript的DOM（文档对象模型）操作、事件处理、动画效果以及Ajax交互。在“jquery模拟阿里云官网主导航二级下拉菜单”这个子项目中，jQuery将发挥...
它提供了简洁的API，使开发者能轻易地抓取和操作网页内容，支持CSS选择器，类似于jQuery，使得HTML解析变得更加简单。 4. **HTMLUnit** HTMLUnit是一个无头浏览器测试框架，它模拟浏览器行为，允许在Java环境中...
jQuery基础是前端开发中一项非常重要的技能，它是一个快速且简洁的JavaScript库，旨在以各种方式简化HTML文档遍历和操作、事件处理、动画和Ajax交互。jQuery极大地简化了JavaScript编程，使得在Web页面中添加动画、...
这个"完整jQuery UI后台系统原型Java工程"是一个基于jQuery UI的解决方案，专为构建复杂的后台管理系统而设计。其目标是提供一种高效、易于使用的界面，与ExtJS组件的效果相媲美，适用于电子政务系统或类似的企业级...
jQuery是一个广泛使用的JavaScript库，它极大地简化了JavaScript代码的编写，使得DOM操作、事件处理、动画设计和Ajax交互变得更加容易。在学习jQuery时，你需要掌握以下几个核心概念： 1. **选择器**: jQuery的选择...
jsoup是一个强大的Java库，它的设计目标是让处理HTML变得简单而直观，类似于jQuery在JavaScript中的操作方式。这个库提供了丰富的API，允许开发者方便地抓取、解析、修改和清理HTML文档。jsoup能够很好地处理现实...
Jsoup提供了一种类似jQuery的API，能够方便地提取和处理HTML数据。 【标签】：数据库 【知识点详解】： 1. **Jsoup简介** Jsoup是一个用于处理实际世界HTML的Java库。它提供了非常方便的API用于提取和操作数据，...