转至：http://www.open-open.com/jsoup/
Jsoup实现网页抓取和解析
入门
1. 解析和遍历一个html文档
String html = "<html><head><title>Firstparse</title></head>"
+ "<body><p>ParsedHTML 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： <p>Lorem<p>Ipsum parsesto <p>Lorem</p> <p>Ipsum</p>)
· 隐式标签 (比如. 它可以自动将 <td>Tabledata</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）
· 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。
输入
2. 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, StringbaseUri)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。
3. 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(Stringhtml)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(StringbodyHtml, Whitelist whitelist)方法来清除用户输入的恶意内容。
4. 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(Stringurl)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, StringcharsetName) 代替。
5. 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, StringcharsetName, 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, StringcharsetName) ，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。
数据抽取
6. 使用DOM方法来遍历一个文档
问题
你有一个HTML文档要从中提取数据，并了解这个HTML文档的结构。
方法
将HTML解析成一个Document之后，就可以使用类似于DOM的方法进行操作。示例代码：
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();
}说明
Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下：
查找元素
· getElementsByClass(StringclassName)
· getElementsByAttribute(Stringkey) (andrelated methods)
· Element siblings: siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()
· Graph: parent(), children(), child(intindex)
元素数据
· attr(Stringkey)获取属性attr(String key, Stringvalue)设置属性
· attributes()获取所有属性
· id(), className() and classNames()
· text()获取文本内容text(String value) 设置文本内容
· html()获取元素内HTMLhtml(Stringvalue)设置元素内的HTML内容
· outerHtml()获取元素外HTML内容
· data()获取数据内容（例如：script和style标签)
操作HTML和文本
· append(Stringhtml), prepend(Stringhtml)
· appendText(Stringtext), prependText(Stringtext)
· appendElement(StringtagName), prependElement(StringtagName)
7. 使用选择器语法来查找元素
问题
你想使用类似于CSS或jQuery的语法来查找和操作元素。
方法
可以使用Element.select(Stringselector) 和 Elements.select(Stringselector) 方法实现：
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Elements links = doc.select("a[href]"); //带有href属性的a元素
Elements pngs = doc.select("img[src$=.png]");//扩展名为.png的图片
Element masthead = doc.select("div.masthead").first();//class等于masthead的div标签
Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素说明
jsoup elements对象支持类似于CSS (或jquery)的选择器语法，来实现非常强大和灵活的查找功能。.
这个select 方法在Document, Element,或Elements对象中都可以使用。且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。
Select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。
Selector选择器概述
· tagname:通过标签查找元素，比如：a
· ns|tag:通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 <fb:name> 元素
· #id:通过ID查找元素，比如：#logo
· .class:通过class名称查找元素，比如：.masthead
· [attribute]:利用属性查找元素，比如：[href]
· [^attr]:利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素
· [attr=value]:利用属性值来查找元素，比如：[width=500]
· [attr^=value], [attr$=value], [attr*=value]:利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href*=/path/]
· [attr~=regex]:利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i)\.(png|jpe?g)]
· *:这个符号将匹配所有元素
Selector选择器组合使用
· el#id:元素+ID，比如： div#logo
· el.class:元素+class，比如： div.masthead
· el[attr]:元素+class，比如： a[href]
· 任意组合，比如：a[href].highlight
· ancestor child:查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素
· parent > child:查找某个父元素下的直接子元素，比如：可以用div.content > p 查找 p 元素，也可以用body > * 查找body标签下所有直接子元素
· siblingA + siblingB:查找在A元素之前第一个同级元素B，比如：div.head + div
· siblingA ~ siblingX:查找A元素之前的同级X元素，比如：h1 ~ p
· el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead,div.logo
伪选择器selectors
· :lt(n):查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素
· :gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素
· :eq(n):查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
· :has(seletor):查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
· :not(selector):查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
· :contains(text):查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)
· :containsOwn(text):查找直接包含给定文本的元素
· :matches(regex):查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
· :matchesOwn(regex):查找自身包含文本匹配指定正则表达式的元素
· 注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等
可以查看Selector API参考来了解更详细的内容
8. 从元素抽取属性，文本和HTML
问题
在解析获得一个Document实例对象，并查找到一些元素之后，你希望取得在这些元素中的数据。
方法
· 要取得一个属性的值，可以使用Node.attr(String key) 方法
· 对于一个元素中的文本，可以使用Element.text()方法
· 对于要取得元素或属性中的HTML内容，可以使用Element.html(),或 Node.outerHtml()方法
示例：
String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";
Document doc = Jsoup.parse(html);//解析HTML字符串返回一个Document实现
Element link = doc.select("a").first();//查找第一个a元素
String text = doc.body().text(); // "An example link"//取得字符串中的文本
String linkHref = link.attr("href"); // "http://example.com/"//取得链接地址
String linkText = link.text(); // "example""//取得链接地址中的文本
String linkOuterH = link.outerHtml();
// "<a href="http://example.com"><b>example</b></a>"
String linkInnerH = link.html(); // "<b>example</b>"//取得链接内的html内容说明
上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用：
· Element.className() and Element.hasClass(StringclassName)
这些访问器方法都有相应的setter方法来更改数据.
参见
· URLs处理
9. 处理URLs
问题
你有一个包含相对URLs路径的HTML文档，需要将这些相对路径转换成绝对路径的URLs。
方法
1. 在你解析文档时确保有指定base URI，然后
2. 使用 abs: 属性前缀来取得包含base URI的绝对路径。代码如下：
Document doc = Jsoup.connect("http://www.open-open.com").get();
Element link = doc.select("a").first();
String relHref = link.attr("href"); // == "/"
String absHref = link.attr("abs:href"); // "http://www.open-open.com/"说明
在HTML元素中，URLs经常写成相对于文档位置的相对路径： <a href="/download">...</a>.当你使用 Node.attr(String key) 方法来取得a元素的href属性时，它将直接返回在HTML源码中指定定的值。
假如你需要取得一个绝对路径，需要在属性名前加 abs: 前缀。这样就可以返回包含根路径的URL地址attr("abs:href")
因此，在解析HTML文档时，定义base URI非常重要。
如果你不想使用abs: 前缀，还有一个方法能够实现同样的功能 Node.absUrl(Stringkey)。
10. 示例程序: 获取所有链接
这个示例程序将展示如何从一个URL获得一个页面。然后提取页面中的所有链接、图片和其它辅助内容。并检查URLs和文本信息。
运行下面程序需要指定一个URLs作为参数
package org.jsoup.examples;
import org.jsoup.Jsoup;
import org.jsoup.helper.Validate;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.IOException;
/**
* Example program to list links from a URL.
*/
public class ListLinks {
public static void main(String[] args) throws IOException {
Validate.isTrue(args.length == 1, "usage: supply url to fetch");
String url = args[0];
print("Fetching %s...", url);
Document doc = Jsoup.connect(url).get();
Elements links = doc.select("a[href]");
Elements media = doc.select("[src]");
Elements imports = doc.select("link[href]");
print("\nMedia: (%d)", media.size());
for (Element src : media) {
if (src.tagName().equals("img"))
print(" * %s: <%s> %sx%s (%s)",
src.tagName(), src.attr("abs:src"), src.attr("width"), src.attr("height"),
trim(src.attr("alt"), 20));
else
print(" * %s: <%s>", src.tagName(), src.attr("abs:src"));
}
print("\nImports: (%d)", imports.size());
for (Element link : imports) {
print(" * %s <%s> (%s)", link.tagName(),link.attr("abs:href"), link.attr("rel"));
}
print("\nLinks: (%d)", links.size());
for (Element link : links) {
print(" * a: <%s> (%s)", link.attr("abs:href"), trim(link.text(), 35));
}
}
private static void print(String msg, Object... args) {
System.out.println(String.format(msg, args));
}
private static String trim(String s, int width) {
if (s.length() > width)
return s.substring(0, width-1) + ".";
else
return s;
}
}org/jsoup/examples/ListLinks.java
示例输入结果
Fetching http://news.ycombinator.com/...Media: (38)
* img: <http://ycombinator.com/images/y18.gif> 18x18 ()
* img: <http://ycombinator.com/images/s.gif> 10x1 ()
* img: <http://ycombinator.com/images/grayarrow.gif> x ()
* img: <http://ycombinator.com/images/s.gif> 0x10 ()
* script: <http://www.co2stats.com/propres.php?s=1138>
* img: <http://ycombinator.com/images/s.gif> 15x1 ()
* img: <http://ycombinator.com/images/hnsearch.png> x ()
* img: <http://ycombinator.com/images/s.gif> 25x1 ()
* img: <http://mixpanel.com/site_media/images/mixpanel_partner_logo_borderless.gif> x (Analytics by Mixpan.)
Imports: (2)
* link <http://ycombinator.com/news.css> (stylesheet)
* link <http://ycombinator.com/favicon.ico> (shortcut icon)
Links: (141)
* a: <http://ycombinator.com> ()
* a: <http://news.ycombinator.com/news> (Hacker News)
* a: <http://news.ycombinator.com/newest> (new)
* a: <http://news.ycombinator.com/newcomments> (comments)
* a: <http://news.ycombinator.com/leaders> (leaders)
* a: <http://news.ycombinator.com/jobs> (jobs)
* a: <http://news.ycombinator.com/submit> (submit)
* a: <http://news.ycombinator.com/x?fnid=JKhQjfU7gW> (login)
* a: <http://news.ycombinator.com/vote?for=1094578&dir=up&whence=%6e%65%77%73> ()
* a: <http://www.readwriteweb.com/archives/facebook_gets_faster_debuts_homegrown_php_compiler.php?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+readwriteweb+%28ReadWriteWeb%29&utm_content=Twitter> (Facebook speeds up PHP)
* a: <http://news.ycombinator.com/user?id=mcxx> (mcxx)
* a: <http://news.ycombinator.com/item?id=1094578> (9 comments)
* a: <http://news.ycombinator.com/vote?for=1094649&dir=up&whence=%6e%65%77%73> ()
* a: <http://groups.google.com/group/django-developers/msg/a65fbbc8effcd914> ("Tough. Django produces XHTML.")
* a: <http://news.ycombinator.com/user?id=andybak> (andybak)
* a: <http://news.ycombinator.com/item?id=1094649> (3 comments)
* a: <http://news.ycombinator.com/vote?for=1093927&dir=up&whence=%6e%65%77%73> ()
* a: <http://news.ycombinator.com/x?fnid=p2sdPLE7Ce> (More)
* a: <http://news.ycombinator.com/lists> (Lists)
* a: <http://news.ycombinator.com/rss> (RSS)
* a: <http://ycombinator.com/bookmarklet.html> (Bookmarklet)
* a: <http://ycombinator.com/newsguidelines.html> (Guidelines)
* a: <http://ycombinator.com/newsfaq.html> (FAQ)
* a: <http://ycombinator.com/newsnews.html> (News News)
* a: <http://news.ycombinator.com/item?id=363> (Feature Requests)
* a: <http://ycombinator.com> (Y Combinator)
* a: <http://ycombinator.com/w2010.html> (Apply)
* a: <http://ycombinator.com/lib.html> (Library)
* a: <http://www.webmynd.com/html/hackernews.html> ()
* a: <http://mixpanel.com/?from=yc> ()
数据修改
11. 设置属性的值
问题
在你解析一个Document之后可能想修改其中的某些属性值，然后再保存到磁盘或都输出到前台页面。
方法
可以使用属性设置方法 Element.attr(String key,String value), 和 Elements.attr(Stringkey, String value).
假如你需要修改一个元素的 class 属性，可以使用 Element.addClass(StringclassName) 和Element.removeClass(StringclassName) 方法。
Elements 提供了批量操作元素属性和class的方法，比如：要为div中的每一个a元素都添加一个rel="nofollow" 可以使用如下方法：
doc.select("div.comments a").attr("rel", "nofollow");说明
与Element中的其它方法一样，attr 方法也是返回当 Element (或在使用选择器是返回 Elements 集合)。这样能够很方便使用方法连用的书写方式。比如：
doc.select("div.masthead").attr("title", "jsoup").addClass("round-box");12. 设置一个元素的HTML内容
问题
你需要一个元素中的HTML内容
方法
可以使用Element中的HTML设置方法具体如下：
Element div = doc.select("div").first(); // <div></div>
div.html("<p>lorem ipsum</p>"); // <div><p>lorem ipsum</p></div>
div.prepend("<p>First</p>");//在div前添加html内容
div.append("<p>Last</p>");//在div之后添加html内容
// 添完后的结果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div>
Element span = doc.select("span").first(); // <span>One</span>
span.wrap("<li><a href='http://example.com/'></a></li>");
// 添完后的结果: <li><a href="http://example.com"><span>One</span></a></li>说明
· Element.html(Stringhtml) 这个方法将先清除元素中的HTML内容，然后用传入的HTML代替。
· Element.prepend(Stringfirst) 和 Element.append(Stringlast) 方法用于在分别在元素内部HTML的前面和后面添加HTML内容
· Element.wrap(Stringaround) 对元素包裹一个外部HTML内容。
参见
可以查看API参考文档中 Element.prependElement(Stringtag)和Element.appendElement(Stringtag) 方法来创建新的元素并作为文档的子元素插入其中。
13. 设置元素的文本内容
问题
你需要修改一个HTML文档中的文本内容
方法
可以使用Element的设置方法：:
Element div = doc.select("div").first(); // <div></div>
div.text("five > four"); // <div>five > four</div>
div.prepend("First ");
div.append(" Last");
// now: <div>First five > four Last</div>说明
文本设置方法与 HTMLsetter 方法一样：
· Element.text(String text) 将清除一个元素中的内部HTML内容，然后提供的文本进行代替
· Element.prepend(Stringfirst) 和 Element.append(Stringlast) 将分别在元素的内部html前后添加文本节点。
对于传入的文本如果含有像 <, > 等这样的字符，将以文本处理，而非HTML。
HTML清理
14. 消除不受信任的HTML (来防止XSS攻击)
问题
在做网站的时候，经常会提供用户评论的功能。有些不怀好意的用户，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，此时需要清理该HTML，以避免跨站脚本cross-sitescripting攻击（XSS）。
方法
使用jsoupHTML Cleaner 方法进行清除，但需要指定一个可配置的 Whitelist。
String unsafe =
"<p><a href='http://example.com/' onclick='stealCookies()'>Link</a></p>";
String safe = Jsoup.clean(unsafe, Whitelist.basic());
// now: <p><a href="http://example.com/" rel="nofollow">Link</a></p>说明
XSS又叫CSS (Cross Site Script) ，跨站脚本攻击。它指的是恶意攻击者往Web页面里插入恶意html代码，当用户浏览该页之时，嵌入其中Web里面的html代码会被执行，从而达到恶意攻击用户的特殊目的。XSS属于被动式的攻击，因为其被动且不好利用，所以许多人常忽略其危害性。所以我们经常只让用户输入纯文本的内容，但这样用户体验就比较差了。
一个更好的解决方法就是使用一个富文本编辑器WYSIWYG如CKEditor 和 TinyMCE。这些可以输出HTML并能够让用户可视化编辑。虽然他们可以在客户端进行校验，但是这样还不够安全，需要在服务器端进行校验并清除有害的HTML代码，这样才能确保输入到你网站的HTML是安全的。否则，攻击者能够绕过客户端的Javascript验证，并注入不安全的HMTL直接进入您的网站。
jsoup的whitelist清理器能够在服务器端对用户输入的HTML进行过滤，只输出一些安全的标签和属性。
jsoup提供了一系列的Whitelist基本配置，能够满足大多数要求；但如有必要，也可以进行修改，不过要小心。
这个cleaner非常好用不仅可以避免XSS攻击，还可以限制用户可以输入的标签范围。
参见
· 参阅XSS cheatsheet ，有一个例子可以了解为什么不能使用正则表达式，而采用安全的whitelistparser-based清理器才是正确的选择。
· 参阅Cleaner ，了解如何返回一个 Document 对象，而不是字符串
· 参阅Whitelist，了解如何创建一个自定义的whitelist
· nofollow 链接属性了解
1131
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
