“jsoup”的意思、由来-中文百科全书

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下图所示：

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。

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：

// 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("网址/").get();

String title = doc.title();

Document doc =Jsoup.connect("网址/")

.data("query", "Java") //请求参数

.userAgent("I’mjsoup") //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","网址/");

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=网址>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：

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

Document doc = Jsoup.parse(input, "UTF-8","网址/");

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，

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

Document doc =Jsoup.parse(input,"UTF-8","网址");

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：

doc.select("div.commentsa").attr("rel", "nofollow");

//为所有链接增加rel=nofollow 属性

doc.select("div.commentsa").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：

String unsafe = "<a href='网址' onclick='stealCookies()'>开源中国社区</a>";

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

// 输出:

// <ahref="网址" rel="nofollow">开源中国社区</a>

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：

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。

基本用法

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：

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：

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。

词条	jsoup
释义	jsoup 简介(jsoup的主要功能如下：文档输入解析并提取HTML 元素修改数据 HTML 文档清理 jsoup 的过人之处——选择器) 总结 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下图所示：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。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： // 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("网址/").get(); String title = doc.title(); Document doc =Jsoup.connect("网址/") .data("query", "Java") //请求参数 .userAgent("I’mjsoup") //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","网址/"); 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=网址>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： File input = new File("D:/test.html"); Document doc = Jsoup.parse(input, "UTF-8","网址/"); 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， File input = new File("D:\\test.html"); Document doc =Jsoup.parse(input,"UTF-8","网址"); 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： doc.select("div.commentsa").attr("rel", "nofollow"); //为所有链接增加rel=nofollow 属性 doc.select("div.commentsa").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： String unsafe = "<p><a href='网址' onclick='stealCookies()'>开源中国社区</a></p>"; String safe = Jsoup.clean(unsafe, Whitelist.basic()); // 输出: // <p><ahref="网址" 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：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。基本用法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：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：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。
随便看	决定人生成败的6大信条决定人生的三大学问决定任免决定时刻决定时刻：德国与世界历史的演变决定事业成败的41个细节决定寿命的九大习惯决定信决定性的看决定性健康效应决定性四大战役全画传决定性一击决定性战役决定性战役：从华沙到巴黎的闪击战决定学习成绩的三大习惯决定要幸福决定一家健康的饮计划决定一生的16堂财商课决定一生的32条人生忠告决定一生的66条职场警示决定一生的8种素质决定一生的大学四年决定一生的观念决定一生的机会决定一生的简单法则