`

jsoup 简介

搜索引擎网络爬虫JsoupHtmlParserHtmlClient 
阅读更多

 

jsoup 简介

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。

 

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>。

 

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。

 

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。

 

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。

 

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。

 

jsoup 官方网站：http://jsoup.org

 

 

分享到：
| lucene 分词原理2
评论
发表评论

您还没有登录,请您登录后再发表评论

相关推荐

    Jsoup工具jar包

    1. **Jsoup简介**：Jsoup是由Jonas John开发的一个开源项目，它提供了方便、强大的API，使得开发者可以像操作DOM那样方便地处理HTML。Jsoup能够解析HTML字符串或者从URL直接下载HTML内容，然后通过CSS选择器来提取...

    jsoup爬虫中文api

    #### 一、Jsoup简介 Jsoup是一款用于Java的应用程序接口(API)，主要用于从HTML文档中提取和操作数据。它提供了强大的功能，包括解析HTML文档、清洗用户输入的数据、从网站抓取数据等。通过Jsoup，开发者可以方便地...

    jsoup-1.11.3.jar

    **jsoup简介** jsoup是一个非常流行的开源Java库，由Jonathon Hedley创建。它的设计灵感来源于jQuery，因此提供了类似于jQuery的API来处理HTML。jsoup的主要目标是使开发者能够轻松地解析、操作、提取和清理HTML内容...

    jsoup1.10.3完整jar包+中文文档

    jsoup简介 jsoup的主要目标是使开发者能够像处理DOM（文档对象模型）一样轻松地处理网页内容。它通过提供一套直观的API，使得HTML解析变得简单易懂。jsoup能够解析HTML字符串，从中提取数据，甚至可以修正不规范的...

    jsoup 1.10.2 和 1.8.1包下载

    **jsoup简介** jsoup是一款强大的Java库，用于处理和解析HTML文档。它设计的目标是使得在Java中处理HTML变得更加简单和直观。jsoup能够理解现代复杂网页的结构，并提供了丰富的API来帮助开发者提取和操作数据。这款...

    jsoup实现网络爬虫

    ### 一、JSoup简介 JSoup是一个用于处理实际世界HTML的Java库。它提供了一种方便、快速的方法来解析HTML文档，提取和操作数据。JSoup能够解析HTML字符串，或者通过URL直接连接到网站抓取页面。它提供了类似于jQuery...

    org.jsoup.zip

    一、org.jsoup简介 org.jsoup 是一个用Java编写的开源库，专门用于解析HTML文档并提取结构化数据。它提供了简洁的API，使得开发者能够方便地与HTML进行交互，包括查找、提取和修改元素。该项目由Jon Skeet创建，并在...

    jsoup中文教程

    #### Jsoup简介 Jsoup是一个基于Java的库，用于解析HTML文档。它类似于JS中的jQuery，允许你方便地操作和解析HTML文档，提取和处理所需的数据。由于它简单易用，特别是对于有JavaScript基础的开发者来说，上手非常...

    jsoup详解教程

    #### 一、jsoup简介与应用场景 **jsoup** 是一个用于Java的HTML解析库，能够帮助开发者轻松地处理HTML文档。它不仅提供了强大的HTML解析功能，还能有效地处理不规范的HTML代码，使得开发者可以更加专注于业务逻辑而...

    Jsoup中文教程

    #### 一、Jsoup简介 Jsoup 是一款用于Java的HTML解析库，它可以帮助开发者方便地处理HTML文档，包括解析、提取数据、修改HTML文档等操作。Jsoup的强大之处在于它能够很好地处理不规范的HTML文档，并且提供了丰富的...

    用jsoup抓取网页数据

    Jsoup简介 Jsoup是由Jesse Wilson创建的一个开源项目，它的核心功能是解析HTML文档，提供了一种基于DOM、CSS以及类似于jQuery的API来查找和操作元素。Jsoup能够处理真实世界中的HTML，包括不规范的标签、属性和...

    基于jsoup的java爬虫项目

    ### 一、Jsoup简介 Jsoup是由Jonas Bonér创建的一个开源库，它提供了易于使用的API来解析HTML并从中提取结构化数据。Jsoup支持CSS选择器，使得获取特定元素变得非常方便，同时也能对HTML进行修改和输出。这个库的...

    Jsoup解析Html获取新闻列表

    1. **Jsoup简介** - Jsoup是由Jonathon Hedley开发的开源库，它实现了HTML5的DOM解析器，并提供了CSS选择器和类似于jQuery的操作API。 - 这个库的主要功能包括：解析HTML，提取结构化数据，修改HTML文档，以及进行...

    jsoup解析网页

    1. **jsoup简介** jsoup是一个基于DOM（文档对象模型）的库，它允许开发者以与jQuery类似的方式操作HTML。它支持HTML5标准，并且在处理网页时能处理不规范的HTML代码，使其更加健壮。jsoup可以用于抓取网页内容、...

    jsoup简单封装

    **jsoup简介** `jsoup` 是一个Java库，它为HTML解析、提取以及操作提供了强大的功能。这个库设计简洁，易于使用，旨在使处理HTML就像处理DOM文档一样直观。在网页抓取、数据提取或者网页爬虫项目中，jsoup扮演了...

    Jsoup解析html中文文档

    #### 一、jsoup简介及优势 **jsoup**是一款专为Java设计的HTML解析库，它可以帮助开发者方便地解析HTML文档，支持直接解析URL地址、HTML文本等内容。jsoup提供了简洁易用的API接口，用户可以通过DOM、CSS选择器甚至...

    jsoup根据url解析html

    #### 一、jsoup简介 `jsoup`是一款功能强大的Java库，专门用于处理HTML文档。它提供了多种便捷的方法来解析网页内容，并且支持通过DOM（Document Object Model）、CSS选择器及类似jQuery的API来进行数据抓取与操作...

    jsoup教程.api

    ### JSoup简介 JSoup是一款用于Java的库，主要用于处理实际世界中的HTML。它可以被用来抓取和解析网页，提取数据，或者清理用户提交的HTML内容。JSoup提供了一种非常简便的方式来解析、操作HTML文档。 ### HTML...

    关于android之Jsoup解析

    #### 一、Jsoup简介及主要功能 Jsoup是一款专为Java设计的HTML解析库，它可以帮助开发者轻松地解析HTML文档并从中抽取所需的数据。Jsoup支持从URL地址、文件或字符串等多种来源读取HTML内容，并提供了强大的API来...

    jsoup-1.8.1.jar包

    jsoup简介** jsoup是一款开源库，由Jonathon Hedley创建，它的核心功能是提供了一个与jQuery类似的方式来操作HTML文档。jsoup不仅能够解析HTML，还支持CSS选择器，使得开发者能够轻松地找到并提取所需的数据。此外...

Magicbox
Global site tag (gtag.js) - Google Analytics