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。本文主要介绍如何使用 jsoup 来进行常用的 HTML 解析。
jsoup 简介 Java 程序在解析 HTML 文档时,相信大家都接触过 htmlparser 这个开源项目,我曾经在 IBM DW 上发表过两篇关于 htmlparser 的文章,分别是:从 HTML 中攫取你所需的信息和 扩展 HTMLParser 对自定义标签的处理能力。但现在我已经不再使用 htmlparser 了,原因是 htmlparser 很少更新,但最重要的是有了 jsoup 。 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> 这里是 jsoup 项目的相关文章 </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 会被转换成 <a href=http://www.oschina.net/project> 开源软件 。 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 = \" <a href=\'http://www.oschina.net/\' onclick=\'stealCookies()\'>
开源中国社区 \";
String safe = Jsoup.clean(unsafe, Whitelist.basic());
// 输出 :
// <a href=\"http://www.oschina.net/\" rel=\"nofollow\"> 开源中国社区
|
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 | 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 |
|