java解析html

由于项目需要得到html内的所有js代码，就想应该有解析html的java库。

然后就找到了jsoup 。

它操作html相当方便，拥有类似jquery选择器的语法，可以方便的访问html dom。

下面是一个简单示例，能够从指定html文件中提取js

/**
	 * @param html 提取单个html文件内嵌和引用的全部js
	 *             如果有多个script包含内嵌js，程序会首先把这些js源码连接成一个字符串以html绝对路径为key保存到返回值
	 *             引用的js文件源码，以js绝对路径为key，源码为值保存到返回结果
	 * */
	public static Map<String,String> extractJsFromHtml(File html) throws MalformedURLException, IOException {
		PrintWriter pw=null;
		try{
			CodeDetectUtil.initCodeDetector();
			Document htmldoc=DataUtil.load(html, CodeDetectUtil.detectCharset(html), html.toURI().getPath());
			Elements scripts=htmldoc.select("script");
			Map<String,String> jscode=new HashMap<String,String>();
			StringWriter sw=new StringWriter();
			pw=new PrintWriter(sw);
			for(Element script : scripts){
				String type=script.attr("type");
				String language=script.attr("language");
				if((Help.isEmpty(type) || type.equals("text/javascript")) && 
				   (Help.isEmpty(language) || language.equals("javascript"))){
					String src=script.attr("src");
					if(Help.isEmpty(src)){
						pw.println(script.html().trim());
					}else{
						File jsfile=null;
						if(src.startsWith(JsChecker.uriPrefix)){
							jsfile=new File(Help.isEmpty(webappPath)?html.getParent():webappPath,src.substring(JsChecker.uriPrefix.length()));
						}else{
							jsfile=new File(html.getParentFile(),src);
						}
						jscode.put(jsfile.getAbsolutePath(),FileUtil.loadTxt(jsfile, CodeDetectUtil.detectCharset(jsfile)));
					}
				}
			}
			pw.flush();
			jscode.put(html.getAbsolutePath(),sw.toString());
			return jscode;
		}finally{
			CodeDetectUtil.endCodeDetector();
		}
	}