建立自己的网站费用,杭州网站建设公司平台,seo价格,欧洲cn2 vps转载自 使用 jsoup 对 HTML 文档进行解析和操作jsoup 简介
Java 程序在解析 HTML 文档时#xff0c;相信大家都接触过 htmlparser 这个开源项目#xff0c;我曾经在 IBM DW 上发表过两篇关于 htmlparser 的文章#xff0c;分别是#xff1a;从 HTML 中攫取你所需的信息和…转载自 使用 jsoup 对 HTML 文档进行解析和操作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 DOMCSS 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 的类层次结构点击查看大图
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
清单 1// 直接从字符串中输入 HTML 文档String html htmlheadtitle 开源中国社区 /title/head bodyp 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(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 /a 会被转换成 a hrefhttp://www.oschina.net/project 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
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 classmasthead 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
清单 4.doc.select(div.comments a).attr(rel, nofollow); // 为所有链接增加 relnofollow 属性doc.select(div.comments a).addClass(mylinkclass); // 为所有链接增加 classmylinkclass 属性doc.select(img).removeAttr(onclick); // 删除所有图片的 onclick 属性doc.select(input[typetext]).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
清单 5.String unsafe pa hrefhttp://www.oschina.net/ οnclickstealCookies() 开源中国社区 /a/p; String safe Jsoup.clean(unsafe, Whitelist.basic()); // 输出 : // pa hrefhttp://www.oschina.net/ relnofollow 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
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。
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 ans|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[attrvalue]使用属性值进行定位例如 [width500] 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 idlogo href … el.class定位 class 为指定值的元素例如 div.head - div classheadxxxx/divel[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].outerlinkancestor 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 childsiblingA siblingBsiblingA ~ siblingXel, 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 classlogo 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
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。
