jsoup 簡介
jsoup 是一款 Java 的 HTML 解析器，可直接解析某個 URL 地址、HTML 文本內容。它提供了一套非常省力的 API，可通過 DOM，CSS 以及類似於 jQuery 的操作方法來取出和操作數據。
jsoup 的主要功能如下：
1. 從一個 URL，文件或字符串中解析 HTML；
2. 使用 DOM 或 CSS 選擇器來查找、取出數據；
3. 可操作 HTML 元素、屬性、文本；
jsoup 是基於 MIT 協議發佈的，可放心使用於商業項目。
文檔輸入
jsoup 可以從包括字符串、URL 地址以及本地文件來加載 HTML 文檔，並生成 Document 對象實例。
下面是相關代碼：
清單 1
|
// 直接從字符串中輸入 HTML 文檔 String html = "<html><head><title> 開源中國社區 </title></head>" + "<body><p> 這裏是 jsoup 項目的相關文章 </p></body></html>"; Document doc = Jsoup.parse(html);
// 從 URL 直接加載 HTML 文檔 Document doc = Jsoup.connect("http://www.oschina.net/").get(); String title = doc.title();
Document doc = Jsoup.connect("http://www.oschina.net/") .data("query", "Java") // 請求參數 .userAgent("I ’ m jsoup") // 設置 User-Agent .cookie("auth", "token") // 設置 cookie .timeout(3000) // 設置連接超時時間 .post(); // 使用 POST 方法訪問 URL
// 從文件中加載 HTML 文檔 File input = new File("D:/test.html"); Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/");
|
請大家注意最後一種 HTML 文檔輸入方式中的 parse 的第三個參數，爲什麼需要在這裏指定一個網址呢（雖然可以不指定，如第一種方法）？因爲 HTML 文檔中會有很多例如鏈接、圖片以及所引用的外部腳本、css 文件等，而第三個名爲 baseURL 的參數的意思就是當 HTML 文檔使用相對路徑方式引用外部文件時，jsoup 會自動爲這些 URL 加上一個前綴，也就是這個 baseURL。
例如 <a href=/project> 開源軟件 </a> 會被轉換成 <a href=http://www.oschina.net/project> 開源軟件 </a>。
這部分涉及一個 HTML 解析器最基本的功能，但 jsoup 使用一種有別於其他開源項目的方式——選擇器，我們將在最後一部分詳細介紹 jsoup 選擇器，本節中你將看到 jsoup 是如何用最簡單的代碼實現。
不過 jsoup 也提供了傳統的 DOM 方式的元素解析，看看下面的代碼：
|
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(); }
|
你可能會覺得 jsoup 的方法似曾相識，沒錯，像 getElementById 和 getElementsByTag 方法跟 JavaScript 的方法名稱是一樣的，功能也完全一致。你可以根據節點名稱或者是 HTML 元素的 id 來獲取對應的元素或者元素列表。
與 htmlparser 項目不同的是，jsoup 並沒有爲 HTML 元素定義一個對應的類，一般一個 HTML 元素的組成部分包括：節點名、屬性和文本，jsoup 提供簡單的方法供你自己檢索這些數據，這也是 jsoup 保持瘦身的原因。
而在元素檢索方面，jsoup 的選擇器簡直無所不能，
|
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 屬性的鏈接 Elements pngs = doc.select("img[src$=.png]");// 所有引用 png 圖片的元素
Element masthead = doc.select("div.masthead").first(); // 找出定義了 class=masthead 的元素
Elements resultLinks = doc.select("h3.r > a"); // direct a after h3
|
這是 jsoup 真正讓我折服的地方，jsoup 使用跟 jQuery 一模一樣的選擇器對元素進行檢索，以上的檢索方法如果換成是其他的 HTML 解釋器，至少都需要很多行代碼，而 jsoup 只需要一行代碼即可完成。
jsoup 的選擇器還支持表達式功能，我們將在最後一節介紹這個超強的選擇器。
在解析文檔的同時，我們可能會需要對文檔中的某些元素進行修改，例如我們可以爲文檔中的所有圖片增加可點擊鏈接、修改鏈接地址或者是修改文本等。
下面是一些簡單的例子：
|
doc.select("div.comments a").attr("rel", "nofollow"); // 爲所有鏈接增加 rel=nofollow 屬性 doc.select("div.comments a").addClass("mylinkclass"); // 爲所有鏈接增加 class=mylinkclass 屬性 doc.select("img").removeAttr("onclick"); // 刪除所有圖片的 onclick 屬性 doc.select("input[type=text]").val(""); // 清空所有文本輸入框中的文本
|
道理很簡單，你只需要利用 jsoup 的選擇器找出元素，然後就可以通過以上的方法來進行修改，除了無法修改標籤名外（可以刪除後再插入新的元素），包括元素的屬性和文本都可以修改。
修改完直接調用 Element(s) 的 html() 方法就可以獲取修改完的 HTML 文檔。
jsoup 在提供強大的 API 同時，人性化方面也做得非常好。在做網站的時候，經常會提供用戶評論的功能。有些用戶比較淘氣，會搞一些腳本到評論內容中，而這些腳本可能會破壞整個頁面的行爲，更嚴重的是獲取一些機要信息，例如 XSS 跨站點攻擊之類的。
jsoup 對這方面的支持非常強大，使用非常簡單。看看下面這段代碼：
|
String unsafe = "<p><a href='http://www.oschina.net/' οnclick='stealCookies()'> 開源中國社區 </a></p>"; String safe = Jsoup.clean(unsafe, Whitelist.basic()); // 輸出 : // <p><a href="http://www.oschina.net/" rel="nofollow"> 開源中國社區 </a></p>
|
jsoup 使用一個 Whitelist 類用來對 HTML 文檔進行過濾，該類提供幾個常用方法：
|
方法名 |
簡介 |
|
none() |
只允許包含文本信息 |
|
basic() |
允許的標籤包括：a, b, blockquote, br, cite, code, dd, dl, dt, em, i, li, ol, p, pre, q, small, strike, strong, sub, sup, u, ul, 以及合適的屬性 |
|
simpleText() |
只允許 b, em, i, strong, u 這些標籤 |
|
basicWithImages() |
在 basic() 的基礎上增加了圖片 |
|
relaxed() |
這個過濾器允許的標籤最多，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 |
如果這五個過濾器都無法滿足你的要求呢，例如你允許用戶插入 flash 動畫，沒關係，Whitelist 提供擴展功能，例如 whitelist.addTags("embed","object","param","span","div"); 也可調用 addAttributes 爲某些元素增加屬性。
前面我們已經簡單的介紹了 jsoup 是如何使用選擇器來對元素進行檢索的。本節我們把重點放在選擇器本身強大的語法上。下表是 jsoup 選擇器的所有語法詳細列表。
|
tagname |
使用標籤名來定位，例如 a |
|
ns|tag |
使用命名空間的標籤定位，例如 fb:name 來查找 <fb:name> 元素 |
|
#id |
使用元素 id 定位，例如 #logo |
|
.class |
使用元素的 class 屬性定位，例如 .head |
|
[attribute] |
使用元素的屬性進行定位，例如 [href] 表示檢索具有 href 屬性的所有元素 |
|
[^attr] |
使用元素的屬性名前綴進行定位，例如 [^data-] 用來查找 HTML5 的 dataset 屬性 |
|
[attr=value] |
使用屬性值進行定位，例如 [width=500] 定位所有 width 屬性值爲 500 的元素 |
|
[attr^=value], [attr$=value], [attr*=value] |
這三個語法分別代表，屬性以 value 開頭、結尾以及包含 |
|
[attr~=regex] |
使用正則表達式進行屬性值的過濾，例如 img[src~=(?i)\.(png|jpe?g)] |
|
* |
定位所有元素 |
以上是最基本的選擇器語法，這些語法也可以組合起來使用，下面是 jsoup 支持的組合用法：
|
el#id |
定位 id 值某個元素，例如 a#logo -> <a id=logo href= … > |
|
el.class |
定位 class 爲指定值的元素，例如 div.head -> <div class=head>xxxx</div> |
|
el[attr] |
定位所有定義了某屬性的元素，例如 a[href] |
|
以上三個任意組合 |
例如 a[href]#logo 、a[name].outerlink |
|
ancestor child |
這五種都是元素之間組合關係的選擇器語法，其中包括父子關係、合併關係和層次關係。 |
|
parent > child |
|
|
siblingA + siblingB |
|
|
siblingA ~ siblingX |
|
|
el, el, el |
除了一些基本的語法以及這些語法進行組合外，jsoup 還支持使用表達式進行元素過濾選擇。下面是 jsoup 支持的所有表達式一覽表：
|
:lt(n) |
例如 td:lt(3) 表示 小於三列 |
|
:gt(n) |
div p:gt(2) 表示 div 中包含 2 個以上的 p |
|
:eq(n) |
form input:eq(1) 表示只包含一個 input 的表單 |
|
: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，不區分大小寫，例如 p:contains(oschina) |
|
:containsOwn(text) |
文本信息完全等於指定條件的過濾 |
|
:matches(regex) |
使用正則表達式進行文本過濾：div:matches((?i)login) |
|
:matchesOwn(regex) |
使用正則表達式找到自身的文本 |
jsoup 的基本功能到這裏就介紹完畢，但由於 jsoup 良好的可擴展性 API 設計，你可以通過選擇器的定義來開發出非常強大的 HTML 解析功能。再加上 jsoup 項目本身的開發也非常活躍，因此如果你正在使用 Java ，需要對 HTML 進行處理，不妨試試。
jsoup 官方網站：http://jsoup.org