Java 程序在解析 HTML 文檔時(shí)，相信大家都接觸過 htmlparser 這個(gè)開源項(xiàng)目，我曾經(jīng)在 IBM DW 上發(fā)表過兩篇關(guān)于 htmlparser 的文章，分別是： 從 HTML 中攫取你所需的信息 和 擴(kuò)展 HTMLParser 對(duì)自定義標(biāo)簽的處理能力 。但現(xiàn)在我已經(jīng)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，可直接解析某個(gè) URL 地址、HTML 文本內(nèi)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(shù)據(jù)。
jsoup 的主要功能如下：
1. 從一個(gè) 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(shù)據(jù)；
3. 可操作 HTML 元素、屬性、文本；
jsoup 是基于 MIT 協(xié)議發(fā)布的，可放心使用于商業(yè)項(xiàng)目。
jsoup 的主要類層次結(jié)構(gòu)如圖 1 所示：
接下來我們專門針對(duì)幾種常見的應(yīng)用場(chǎng)景舉例說明 jsoup 是如何優(yōu)雅的進(jìn)行 HTML 文檔處理的。
jsoup 可以從包括字符串、URL 地址以及本地文件來加載 HTML 文檔，并生成 Document 對(duì)象實(shí)例。
下面是相關(guān)代碼：
// 直接從字符串中輸入 HTML 文檔
String html = "<html><head><title> 開源中國社區(qū) </title></head>"
+ "<body><p> 這里是 jsoup 項(xiàng)目的相關(guān)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(qǐng)求參數(shù)
.userAgent("I ’ m jsoup") // 設(shè)置 User-Agent
.cookie("auth", "token") // 設(shè)置 cookie
.timeout(3000) // 設(shè)置連接超時(shí)時(shí)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/");
|
?
請(qǐng)大家注意最后一種 HTML 文檔輸入方式中的 parse 的第三個(gè)參數(shù)，為什么需要在這里指定一個(gè)網(wǎng)址呢（雖然可以不指定，如第一種方法）？因?yàn)?HTML 文檔中會(huì)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(gè)名為 baseURL 的參數(shù)的意思就是當(dāng) HTML 文檔使用相對(duì)路徑方式引用外部文件時(shí)，jsoup 會(huì)自動(dòng)為這些 URL 加上一個(gè)前綴，也就是這個(gè) baseURL。
例如 <a href=/project> 開源軟件 </a> 會(huì)被轉(zhuǎn)換成 <a href=http://www.oschina.net/project> 開源軟件 </a>。
這部分涉及一個(gè) HTML 解析器最基本的功能，但 jsoup 使用一種有別于其他開源項(xiàng)目的方式——選擇器，我們將在最后一部分詳細(xì)介紹 jsoup 選擇器，本節(jié)中你將看到 jsoup 是如何用最簡(jiǎn)單的代碼實(shí)現(xiàn)。
不過 jsoup 也提供了傳統(tǒng)的 DOM 方式的元素解析，看看下面的代碼：
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(huì)覺得 jsoup 的方法似曾相識(shí)，沒錯(cuò)，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(jù)節(jié)點(diǎn)名稱或者是 HTML 元素的 id 來獲取對(duì)應(yīng)的元素或者元素列表。
與 htmlparser 項(xiàng)目不同的是，jsoup 并沒有為 HTML 元素定義一個(gè)對(duì)應(yīng)的類，一般一個(gè) HTML 元素的組成部分包括：節(jié)點(diǎn)名、屬性和文本，jsoup 提供簡(jiǎn)單的方法供你自己檢索這些數(shù)據(jù)，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(jiǎn)直無所不能，
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(duì)元素進(jìn)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(dá)式功能，我們將在最后一節(jié)介紹這個(gè)超強(qiáng)的選擇器。
在解析文檔的同時(shí)，我們可能會(huì)需要對(duì)文檔中的某些元素進(jìn)行修改，例如我們可以為文檔中的所有圖片增加可點(diǎn)擊鏈接、修改鏈接地址或者是修改文本等。
下面是一些簡(jiǎn)單的例子：
doc.select("div.comments a").attr("rel", "nofollow");
// 為所有鏈接增加 rel=nofollow 屬性
doc.select("div.comments a").addClass("mylinkclass");
// 為所有鏈接增加 class=mylinkclass 屬性
doc.select("img").removeAttr("onclick"); // 刪除所有圖片的 onclick 屬性
doc.select("input[type=text]").val(""); // 清空所有文本輸入框中的文本
|
?
道理很簡(jiǎn)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(jìn)行修改，除了無法修改標(biāo)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(diào)用 Element(s) 的 html() 方法就可以獲取修改完的 HTML 文檔。
jsoup 在提供強(qiáng)大的 API 同時(shí)，人性化方面也做得非常好。在做網(wǎng)站的時(shí)候，經(jīng)常會(huì)提供用戶評(píng)論的功能。有些用戶比較淘氣，會(huì)搞一些腳本到評(píng)論內(nèi)容中，而這些腳本可能會(huì)破壞整個(gè)頁面的行為，更嚴(yán)重的是獲取一些機(jī)要信息，例如 XSS 跨站點(diǎn)攻擊之類的。
jsoup 對(duì)這方面的支持非常強(qiáng)大，使用非常簡(jiǎn)單。看看下面這段代碼：
String unsafe = "<p><a onclick='stealCookies()'>
開源中國社區(qū) </a></p>";
String safe = Jsoup.clean(unsafe, Whitelist.basic());
// 輸出 :
// <p><a rel="nofollow"> 開源中國社區(qū) </a></p>
|
?
jsoup 使用一個(gè) Whitelist 類用來對(duì) HTML 文檔進(jìn)行過濾，該類提供幾個(gè)常用方法：
方法名 簡(jiǎn)介| none() | 只允許包含文本信息 |
| basic() | 允許的標(biāo)簽包括：a, b, blockquote, br, cite, code, dd, dl, dt, em, i, li, ol, p, pre, q, small, strike, strong, sub, sup, u, ul, 以及合適的屬性 |
| simpleText() | 只允許 b, em, i, strong, u 這些標(biāo)簽 |
| basicWithImages() | 在 basic() 的基礎(chǔ)上增加了圖片 |
| relaxed() | 這個(gè)過濾器允許的標(biāo)簽最多，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 |
?
如果這五個(gè)過濾器都無法滿足你的要求呢，例如你允許用戶插入 flash 動(dòng)畫，沒關(guān)系，Whitelist 提供擴(kuò)展功能，例如 whitelist.addTags("embed","object","param","span","div"); 也可調(diào)用 addAttributes 為某些元素增加屬性。
前面我們已經(jīng)簡(jiǎn)單的介紹了 jsoup 是如何使用選擇器來對(duì)元素進(jìn)行檢索的。本節(jié)我們把重點(diǎn)放在選擇器本身強(qiáng)大的語法上。下表是 jsoup 選擇器的所有語法詳細(xì)列表。
| tagname | 使用標(biāo)簽名來定位，例如 a |
| ns|tag | 使用命名空間的標(biāo)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(jìn)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(jìn)行定位，例如 [^data-] 用來查找 HTML5 的 dataset 屬性 |
| [attr=value] | 使用屬性值進(jìn)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(gè)語法分別代表，屬性以 value 開頭、結(jié)尾以及包含 |
| [attr~=regex] | 使用正則表達(dá)式進(jìn)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：
| el#id | 定位 id 值某個(gè)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(gè)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(guān)系的選擇器語法，其中包括父子關(guān)系、合并關(guān)系和層次關(guān)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(jìn)行組合外，jsoup 還支持使用表達(dá)式進(jìn)行元素過濾選擇。下面是 jsoup 支持的所有表達(dá)式一覽表：
| :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(gè)以上的 p |
| :eq(n) | form input:eq(1) 表示只包含一個(gè) 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(qū)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(dá)式進(jìn)行文本過濾：div:matches((?i)login) |
| :matchesOwn(regex) | 使用正則表達(dá)式找到自身的文本 |
?
jsoup 的基本功能到這里就介紹完畢，但由于 jsoup 良好的可擴(kuò)展性 API 設(shè)計(jì)，你可以通過選擇器的定義來開發(fā)出非常強(qiáng)大的 HTML 解析功能。再加上 jsoup 項(xiàng)目本身的開發(fā)也非常活躍，因此如果你正在使用 Java ，需要對(duì) HTML 進(jìn)行處理，不妨試試。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號(hào)聯(lián)系： 360901061
您的支持是博主寫作最大的動(dòng)力，如果您喜歡我的文章，感覺我的文章對(duì)您有幫助，請(qǐng)用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長非常感激您！手機(jī)微信長按不能支付解決辦法：請(qǐng)將微信支付二維碼保存到相冊(cè)，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對(duì)您有幫助就好】元
