Android_GitHub_jsoup(一)简介、入门、输入

最新推荐文章于 2025-05-17 19:01:26 发布

iwanghang

最新推荐文章于 2025-05-17 19:01:26 发布

阅读量2.7k

点赞数

分类专栏： Android Android_GitHub 文章标签： anspan idtransmarksp githspan idtransmark 库span idtransmarkspa aspan idtransmarkspa

Android 同时被 2 个专栏收录

174 篇文章

订阅专栏

Android_GitHub

5 篇文章

订阅专栏

本文介绍jsoup库的基本使用方法，包括从URL、文件及字符串解析HTML文档，以及如何提取和操作数据。

SourceFrom:https://github.com/jhy/jsoup

SourceFrom:http://www.open-open.com/jsoup/parsing-a-document.htm

截止到今天20160429最新jar包为jsoup-1.9.1.jar，最新版本下载地址如下：

SourceFrom:https://jsoup.org/download

jsoup: Java HTML parser that makes sense of real-world HTML soup.

jsoup:Java HTML解析器,它是有意义的实际HTML汤。

jsoup is a Java library for working with real-world HTML. It provides a very convenient API for extracting and manipulating data, using the best of DOM, CSS, and jquery-like methods.

jsoup是一个Java库来处理实际的HTML。它提供了一个非常方便的API来提取和操纵数据,使用最好的DOM,CSS和jquery-like方法。

jsoup implements the WHATWG HTML5 specification (http://whatwg.org/html), and parses HTML to the same DOM as modern browsers do.

jsoup实现WHATWG HTML5规范(http://whatwg.org/html),并解析HTML DOM一样现代浏览器。

* parse HTML from a URL, file, or string

*从一个URL解析HTML,文件或字符串

* find and extract data, using DOM traversal or CSS selectors

*发现和提取数据,使用DOM遍历或CSS选择器

* manipulate the HTML elements, attributes, and text

*操作HTML元素、属性和文本

* clean user-submitted content against a safe white-list, to prevent XSS

*清洁对安全的白名单用户提交的内容,以防止XSS

* output tidy HTML

*输出HTML整洁

jsoup is designed to deal with all varieties of HTML found in the wild; from pristine and validating, to invalid tag-soup; jsoup will create a sensible parse tree.

jsoup旨在处理所有HTML中发现的野生品种,从原始和验证,无效标签;jsoup将创建一个合理的解析树。

jsoup runs on Java 1.5 and up.

jsoup运行在Java 1.5以上。

See http://jsoup.org/ for downloads and documentation.

请参阅http://jsoup.org/下载和文档

解析和遍历一个HTML文档

如何解析一个HTML文档：

String html = "<html><head><title>First parse</title></head>"
  + "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);

(更详细内容可查看解析一个HTML字符串.)

其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果，无论HTML的格式是否完整。比如它可以处理：

没有关闭的标签 (比如： Lorem Ipsum parses to Lorem Ipsum)
隐式标签 (比如. 它可以自动将 <td>Table data</td>包装成<table><tr><td>?)
创建可靠的文档结构（html标签包含head 和 body，在head只出现恰当的元素）

一个文档的对象模型

文档由多个Elements和TextNodes组成 (以及其它辅助nodes：详细可查看：nodes package tree).
其继承结构如下：Document继承Element继承Node.TextNode继承Node.
一个Element包含一个子节点集合，并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。

解析一个HTML字符串

存在问题

来自用户输入，一个文件或一个网站的HTML字符串，你可能需要对它进行解析并取其内容，或校验其格式是否完整，或想修改它。怎么办？jsonu能够帮你轻松解决这些问题

解决方法

使用静态Jsoup.parse(String html) 方法或Jsoup.parse(String html, String baseUri)示例代码：

String html = "<html><head><title>First parse</title></head>"
  + "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);

描述

parse(String html, String baseUri) 这方法能够将输入的HTML解析为一个新的文档 (Document），参数 baseUri 是用来将相对 URL 转成绝对URL，并指定从哪个网站获取文档。如这个方法不适用，你可以使用 parse(String html) 方法来解析成HTML字符串如上面的示例。.

只要解析的不是空字符串，就能返回一个结构合理的文档，其中包含(至少) 一个head和一个body元素。

一旦拥有了一个Document，你就可以使用Document中适当的方法或它父类 Element和 Node中的方法来取得相关数据。

解析一个body片断

问题

假如你有一个HTML片断 (比如. 一个 div 包含一对 p 标签; 一个不完整的HTML文档) 想对它进行解析。这个HTML片断可以是用户提交的一条评论或在一个CMS页面中编辑body部分。

办法

使用Jsoup.parseBodyFragment(String html)方法.

String html = "<div><p>Lorem ipsum.</p>";
Document doc = Jsoup.parseBodyFragment(html);
Element body = doc.body();

说明

parseBodyFragment 方法创建一个空壳的文档，并插入解析过的HTML到body元素中。假如你使用正常的Jsoup.parse(String html) 方法，通常你也可以得到相同的结果，但是明确将用户输入作为 body片段处理，以确保用户所提供的任何糟糕的HTML都将被解析成body元素。

Document.body() 方法能够取得文档body元素的所有子元素，与doc.getElementsByTag("body")相同。

保证安全Stay safe

假如你可以让用户输入HTML内容，那么要小心避免跨站脚本攻击。利用基于 Whitelist 的清除器和 clean(String bodyHtml, Whitelist whitelist)方法来清除用户输入的恶意内容。

从一个URL加载一个Document

存在问题

你需要从一个网站获取和解析一个HTML文档，并查找其中的相关数据。你可以使用下面解决方法：

解决方法

使用 Jsoup.connect(String url)方法:

Document doc = Jsoup.connect("http://example.com/").get();
String title = doc.title();

说明

connect(String url) 方法创建一个新的Connection, 和get() 取得和解析一个HTML文件。如果从该URL获取HTML时发生错误，便会抛出 IOException，应适当处理。

Connection 接口还提供一个方法链来解决特殊请求，具体如下：

Document doc = Jsoup.connect("http://example.com")
  .data("query", "Java")
  .userAgent("Mozilla")
  .cookie("auth", "token")
  .timeout(3000)
  .post();

这个方法只支持Web URLs ( http和 https 协议); 假如你需要从一个文件加载，可以使用 parse(File in, String charsetName) 代替。

从一个文件加载一个文档

问题

在本机硬盘上有一个HTML文件，需要对它进行解析从中抽取数据或进行修改。

办法

可以使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法：

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

说明

parse(File in, String charsetName, String baseUri) 这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误，将抛出IOException，应作适当处理。

baseUri 参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。

另外还有一个方法 parse(File in, String charsetName) ，它使用文件的路径做为 baseUri。这个方法适用于如果被解析文件位于网站的本地文件系统，且相关链接也指向该文件系统。

語言功能限100個字符

選項 : 歷史 : 幫助 : 反饋關閉