Java HTML解析器【jsoup】

jsoup：

jsoup实现WHATWG HTML5规范，并将HTML解析为与现代浏览器相同的DOM。
1.从URL，文件或字符串中抓取并解析 HTML
2、使用DOM遍历或CSS选择器查找和提取数据
3、处理 HTML元素，属性和文本
4、根据安全的白名单清除用户提交的内容，以防止XSS攻击
5、输出整洁的HTML

下载jar包：

下载并安装jsoup[官网下载地址Jsoup.jar](https://jsoup.org/download)
Maven地址：
	<dependency>
 		<groupId>org.jsoup</groupId>
		 <artifactId>jsoup</artifactId>
		<version>1.12.1</version>
</dependency>

文档地址[官方文档](https://jsoup.org/cookbook/introduction/parsing-a-document)

从字符串解析文档

String html = “”

• “

  Parsed HTML into a doc.

  ”;
  Document doc = Jsoup.parse(html);

解析身体片段

String html = “

Lorem ipsum.

”;
Document doc = Jsoup.parseBodyFragment(html);
Element body = doc.body();

使用Jsoup.parseBodyFragment(String html)方法。

从URL加载文档

您需要从网上获取并解析HTML文档，然后在其中查找数据（屏幕抓取）

使用Jsoup.connect(String url)方法：

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

从文件加载文档

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/”);

使用DOM方法浏览文档

将HTML解析为之后，请使用类似DOM的方法Document。

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

Element content = doc.getElementById(“content”);
Elements links = content.getElementsByTag(“a”);
for (Element link : links) {
String linkHref = link.attr(“href”);
String linkText = link.text();
}

修改资料

设置属性值

使用属性设置器方法Element.attr(String key, String value)和Elements.attr(String key, String value)。

如果需要修改class元素的属性，请使用Element.addClass(String className)和Element.removeClass(String className)方法。

清理HTML

清理不受信任的HTML（以防止XSS）

将jsoup HTML Cleaner用于由指定的配置Whitelist。

String unsafe =
“

Link

”;
String safe = Jsoup.clean(unsafe, Whitelist.basic());
// now:

Link

关键字API