使用 jsoup 对 HTML 文档进行解析和操作
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 以及類似于 jQuery 的操作方法來取出和操作數據。
本文主要介紹如何使用 jsoup 來進行常用的 HTML 解析。
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 是基于 MIT 協議發布的，可放心使用于商業項目。
案例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> 這里是 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/"); // 從 URL 直接加載Document doc = Jsoup.parse(new URL("http://www.oschina.net/"),30000); String title = doc.title();請大家注意最后一種 HTML 文檔輸入方式中的 parse 的第三個參數，為什么需要在這里指定一個網址呢（雖然可以不指定，如第一種方法）？因為 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，而第三個名為 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 會自動為這些 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>。
案例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 并沒有為 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
案例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 屬性的鏈接Elements pngs = doc.select("img[src$=.png]");// 所有引用 png 圖片的元素Element masthead = doc.select("div.masthead").first(); // 找出定義了 class=masthead 的元素Elements resultLinks = doc.select("h3.r > a"); // direct a after h3這是 jsoup 真正讓我折服的地方，jsoup 使用跟 jQuery 一模一樣的選擇器對元素進行檢索，以上的檢索方法如果換成是其他的 HTML 解釋器，至少都需要很多行代碼，而 jsoup 只需要一行代碼即可完成。
jsoup 的選擇器還支持表達式功能，我們將在最后一節介紹這個超強的選擇器。
案例4
// 為所有鏈接增加 rel=nofollow 屬性 doc.select("div.comments a").attr("rel", "nofollow");// 為所有鏈接增加 class=mylinkclass 屬性 doc.select("div.comments a").addClass("mylinkclass");// 刪除所有圖片的 onclick 屬性 doc.select("img").removeAttr("onclick");// 清空所有文本輸入框中的文本 doc.select("input[type=text]").val("");道理很簡單，你只需要利用 jsoup 的選擇器找出元素，然后就可以通過以上的方法來進行修改，除了無法修改標簽名外（可以刪除后再插入新的元素），包括元素的屬性和文本都可以修改。
修改完直接調用 Element(s) 的 html() 方法就可以獲取修改完的 HTML 文檔。
案例5
HTML 文檔清理
jsoup 在提供強大的 API 同時，人性化方面也做得非常好。在做網站的時候，經常會提供用戶評論的功能。有些用戶比較淘氣，會搞一些腳本到評論內容中，而這些腳本可能會破壞整個頁面的行為，更嚴重的是獲取一些機要信息，例如 XSS 跨站點攻擊之類的。
jsoup 對這方面的支持非常強大，使用非常簡單。看看下面這段代碼：
String unsafe = "<p><a href='http://www.oschina.net/' onclick='stealCookies()'> 開源中國社區 </a></p>"; String safe = Jsoup.clean(unsafe, Whitelist.basic()); // 輸出 : // <p><a href="http://www.oschina.net/" rel="nofollow"> 開源中國社區 </a></p>jsoup 使用一個 Whitelist 類用來對 HTML 文檔進行過濾，該類提供幾個常用方法：
表 1. 常用方法：
方法名
簡介
jsoup 的過人之處——選擇器
前面我們已經簡單的介紹了 jsoup 是如何使用選擇器來對元素進行檢索的。本節我們把重點放在選擇器本身強大的語法上。下表是 jsoup 選擇器的所有語法詳細列表。
表 2. 基本用法：
tagname
使用標簽名來定位，例如 a
ns|tag
使用命名空間的標簽定位，例如 fb:name 來查找 <fb:name> 元素
#id
使用元素 id 定位，例如 #logo
.class
使用元素的 class 屬性定位，例如 .head
[attribute]
使用元素的屬性進行定位，例如 [href] 表示檢索具有 href 屬性的所有元素
[^attr]
使用元素的屬性名前綴進行定位，例如 [^data-] 用來查找 HTML5 的 dataset 屬性
[attr=value]
使用屬性值進行定位，例如 [width=500] 定位所有 width 屬性值為 500 的元素
[attr^=value], [attr$=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：
表 3：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 為指定值的元素，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系的選擇器語法，其中包括父子關系、合并關系和層次關系。
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：
表 4. 表達式：
: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 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)
文本信息完全等于指定條件的過濾
: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
總結
jsoup 的基本功能到這里就介紹完畢，但由于 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。
參考資料
學習
- jsoup 官方網站：http://jsoup.org
- 開源中國社區上 jsoup 的一些代碼片段：http://www.oschina.net/code/list_by_project?id=12689
- Htmlparser 項目介紹：http://www.oschina.net/p/htmlparser
- jQuery 項目介紹：http://www.oschina.net/p/jquery
- 更多開源項目的介紹來自開源中國社區：http://www.oschina.net
- developerWorks Java 技術專區： 這里有數百篇關于 Java 編程每個方面的文章。
- 查看?HTML5 專題，了解更多和 HTML5 相關的知識和動向。
總結
以上是生活随笔為你收集整理的使用 jsoup 对 HTML 文档进行解析和操作的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 如何设计一个分布式ID生成器
- 下一篇： 吊死人小游戏 1.0版本