接下來我們專門針對(duì)幾種常見的應(yīng)用場(chǎng)景舉例說明 jsoup 是如何優(yōu)雅的進(jìn)行 HTML 文檔處理的。

4.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，并生成 Document 對(duì)象實(shí)例。

下面是相關(guān)代碼：

//直接從字符串中輸入 HTML 文檔

String html = "

JSONP" +

"

這里是 jsoup 項(xiàng)目的相關(guān)文章

";

Document doc=Jsoup.parse(html);//從URL直接加載 HTML 文檔

Document doc = Jsoup.connect("http://www.baidu.net/").get();

String title=doc.title();

Document doc= Jsoup.connect("http://www.baidu.net/")

.data("query", "Java") //請(qǐng)求參數(shù)

.userAgent("I’m jsoup") //設(shè)置User-Agent

.cookie("auth", "token") //設(shè)置cookie

.timeout(3000) //設(shè)置連接超時(shí)時(shí)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(qǐng)大家注意最后一種 HTML 文檔輸入方式中的 parse 的第三個(gè)參數(shù)，為什么需要在這里指定一個(gè)網(wǎng)址呢(雖然可以不指定，如第一種方法)？因?yàn)?HTML 文檔中會(huì)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(gè)名為 baseURL 的參數(shù)的意思就是當(dāng) HTML 文檔使用相對(duì)路徑方式引用外部文件時(shí)，jsoup 會(huì)自動(dòng)為這些 URL 加上一個(gè)前綴，也就是這個(gè) baseURL。?例如 :

開源軟件

會(huì)被轉(zhuǎn)換成

開源軟件。

5.解析并提取 HTML 元素

這部分涉及一個(gè) HTML 解析器最基本的功能，但 jsoup 使用一種有別于其他開源項(xiàng)目的方式——選擇器，我們將在最后一部分詳細(xì)介紹 jsoup 選擇器，本節(jié)中你將看到 jsoup 是如何用最簡(jiǎn)單的代碼實(shí)現(xiàn)。

不過 jsoup 也提供了傳統(tǒng)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.baidu.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(huì)覺得 jsoup 的方法似曾相識(shí)，沒錯(cuò)，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(jù)節(jié)點(diǎn)名稱或者是 HTML 元素的 id 來獲取對(duì)應(yīng)的元素或者元素列表。

與 htmlparser 項(xiàng)目不同的是，jsoup 并沒有為 HTML 元素定義一個(gè)對(duì)應(yīng)的類，一般一個(gè) HTML 元素的組成部分包括：節(jié)點(diǎn)名、屬性和文本，jsoup 提供簡(jiǎn)單的方法供你自己檢索這些數(shù)據(jù)，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(jiǎn)直無所不能，

File input = new File("D:\test.html");

Document doc= Jsoup.parse(input,"UTF-8","http://www.baidu.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(duì)元素進(jìn)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(dá)式功能，我們將在最后一節(jié)介紹這個(gè)超強(qiáng)的選擇器。

6.修改數(shù)據(jù)

在解析文檔的同時(shí)，我們可能會(huì)需要對(duì)文檔中的某些元素進(jìn)行修改，例如我們可以為文檔中的所有圖片增加可點(diǎn)擊鏈接、修改鏈接地址或者是修改文本等。

下面是一些簡(jiǎn)單的例子：

doc.select("div.comments a").attr("rel", "nofollow");//為所有鏈接增加 rel=nofollow 屬性

doc.select("div.comments a").addClass("mylinkclass");//為所有鏈接增加 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(jiǎn)單，你只需要利用 jsoup 的選擇器找出元素，然后就可以通過以上的方法來進(jìn)行修改，除了無法修改標(biāo)簽名外(可以刪除后再插入新的元素)，包括元素的屬性和文本都可以修改。

修改完直接調(diào)用 Element(s) 的 html() 方法就可以獲取修改完的 HTML 文檔。

7.HTML 文檔清理

jsoup 在提供強(qiáng)大的 API 同時(shí)，人性化方面也做得非常好。在做網(wǎng)站的時(shí)候，經(jīng)常會(huì)提供用戶評(píng)論的功能。有些用戶比較淘氣，會(huì)搞一些腳本到評(píng)論內(nèi)容中，而這些腳本可能會(huì)破壞整個(gè)頁面的行為，更嚴(yán)重的是獲取一些機(jī)要信息，例如 XSS 跨站點(diǎn)攻擊之類的。

jsoup 對(duì)這方面的支持非常強(qiáng)大，使用非常簡(jiǎn)單?？纯聪旅孢@段代碼：

String unsafe = "

JSONP

";

String safe=Jsoup.clean(unsafe, Whitelist.basic());//輸出://

JSONP

jsoup 使用一個(gè) Whitelist 類用來對(duì) HTML 文檔進(jìn)行過濾，該類提供幾個(gè)常用方法：

總結(jié)

以上是生活随笔為你收集整理的java jsonp网络爬虫_JSOUP 爬虫的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。