jsoup文檔: http://www.open-open.com/jsoup/
原鏈接: http://www.oschina.net/question/12_14127
jsoup 簡介
Java 程序在解析 HTML 文檔時，相信大家都接觸過 htmlparser 這個開源項目，我曾經在 IBM DW 上發表過兩篇關於 htmlparser 的文章，分別是：從HTML中攫取你所需的信息 和擴展 HTMLParser 對自定義標簽的處理能力。但現在我已經不再使用 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URL地址、HTML文本內容。它提供了一套非常省力的API，可通過DOM，CSS以及類似於jQuery的操作方法來取出和操作數據。
jsoup的主要功能如下：
1. 從一個URL，文件或字符串中解析HTML；
2. 使用DOM或CSS選擇器來查找、取出數據；
3. 可操作HTML元素、屬性、文本；
jsoup是基於MIT協議發布的，可放心使用於商業項目。
jsoup 的主要類層次結構如下圖所示：
接下來我們專門針對幾種常見的應用場景舉例說明 jsoup 是如何優雅的進行 HTML 文檔處理的。
文檔輸入
jsoup 可以從包括字符串、URL地址以及本地文件來加載 HTML 文檔，並生成 Document 對象實例。
下面是相關代碼：
02 |
String html = "<html><head><title>開源中國社區</title></head>" |
03 |
+ "<body><p>這里是 jsoup 項目的相關文章</p></body></html>"; |
04 |
Document doc = Jsoup.parse(html); |
07 |
Document doc = Jsoup.connect("http://www.oschina.net/").get(); |
08 |
String title = doc.title(); |
10 |
Document doc = Jsoup.connect("http://www.oschina.net/") |
11 |
.data("query", "Java") |
12 |
.userAgent("I’m jsoup") |
13 |
.cookie("auth", "token") |
18 |
File input = new File("D:/test.html"); |
19 |
Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/"); |
請大家注意最后一種 HTML 文檔輸入方式中的 parse 的第三個參數，為什么需要在這里指定一個網址呢（雖然可以不指定，如第一種方法）？因為 HTML 文檔中會有很多例如鏈接、圖片以及所引用的外部腳本、css文件等，而第三個名為 baseURL 的參數的意思就是當 HTML 文檔使用相對路徑方式引用外部文件時，jsoup 會自動為這些 URL 加上一個前綴，也就是這個 baseURL。
例如 <a href=/project>開源軟件</a> 會被轉換成 <a href=http://www.oschina.net/project>開源軟件</a>。
解析並提取 HTML 元素
這部分涉及一個 HTML 解析器最基本的功能，但 jsoup 使用一種有別於其他開源項目的方式——選擇器，我們將在最后一部分詳細介紹 jsoup 選擇器，本節中你將看到 jsoup 是如何用最簡單的代碼實現。
不過 jsoup 也提供了傳統的 DOM 方式的元素解析，看看下面的代碼：
1 |
File input = new File("D:/test.html"); |
2 |
Document doc = Jsoup.parse(input, "UTF-8", "http://www.oschina.net/"); |
4 |
Element content = doc.getElementById("content"); |
5 |
Elements links = content.getElementsByTag("a"); |
6 |
for (Element link : links) { |
7 |
String linkHref = link.attr("href"); |
8 |
String linkText = link.text(); |
你可能會覺得 jsoup 的方法似曾相識，沒錯，像 getElementById 和 getElementsByTag 方法跟 JavaScript 的方法名稱是一樣的，功能也完全一致。你可以根據節點名稱或者是 HTML 元素的 id 來獲取對應的元素或者元素列表。
與 htmlparser 項目不同的是，jsoup 並沒有為 HTML 元素定義一個對應的類，一般一個 HTML 元素的組成部分包括：節點名、屬性和文本，jsoup 提供簡單的方法供你自己檢索這些數據，這也是 jsoup 保持瘦身的原因。
而在元素檢索方面，jsoup 的選擇器簡直無所不能，
01 |
File input = new File("D:\test.html"); |
02 |
Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/"); |
04 |
Elements links = doc.select("a[href]"); |
05 |
Elements pngs = doc.select("img[src$=.png]"); |
08 |
Element masthead = doc.select("div.masthead").first(); |
11 |
Elements resultLinks = doc.select("h3.r > a"); |
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元素進行檢索，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式功能，我們將在最后一節介紹這個超強的選擇器。
修改數據
在解析文檔的同時，我們可能會需要對文檔中的某些元素進行修改，例如我們可以為文檔中的所有圖片增加可點擊鏈接、修改鏈接地址或者是修改文本等。
下面是一些簡單的例子：
1 |
doc.select("div.comments a").attr("rel", "nofollow"); |
4 |
doc.select("div.comments a").addClass("mylinkclass"); |
7 |
doc.select("img").removeAttr("onclick"); |
9 |
doc.select("input[type=text]").val(""); |
道理很簡單，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行修改，除了無法修改標簽名外（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。
修改完直接調用 Element(s) 的 html() 方法就可以獲取修改完的 HTML 文檔。
HTML 文檔清理
jsoup 在提供強大的 API 同時，人性化方面也做得非常好。在做網站的時候，經常會提供用戶評論的功能。有些用戶比較淘氣，會搞一些腳本到評論內容中，而這些腳本可能會破壞整個頁面的行為，更嚴重的是獲取一些機要信息，例如 XSS 跨站點攻擊之類的。
jsoup 對這方面的支持非常強大，使用非常簡單。看看下面這段代碼：
1 |
String unsafe = "<p><a href='http://www.oschina.net/' onclick='stealCookies()'>開源中國社區</a></p>"; |
2 |
String safe = Jsoup.clean(unsafe, Whitelist.basic()); |
jsoup 使用一個 Whitelist 類用來對 HTML 文檔進行過濾，該類提供幾個常用方法：
如果這五個過濾器都無法滿足你的要求呢，例如你允許用戶插入 flash 動畫，沒關系，Whitelist 提供擴展功能，例如 whitelist.addTags("embed","object","param","span","div"); 也可調用 addAttributes 為某些元素增加屬性。
jsoup 的過人之處——選擇器
前面我們已經簡單的介紹了 jsoup 是如何使用選擇器來對元素進行檢索的。本節我們把重點放在選擇器本身強大的語法上。下表是 jsoup 選擇器的所有語法詳細列表。
基本用法
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：
除了一些基本的語法以及這些語法進行組合外，jsoup 還支持使用表達式進行元素過濾選擇。下面是 jsoup 支持的所有表達式一覽表：
總結
jsoup 的基本功能到這里就介紹完畢，但由於 jsoup 良好的可擴展性 API 設計，你可以通過選擇器的定義來開發出非常強大的 HTML 解析功能。再加上 jsoup 項目本身的開發也非常活躍，因此如果你正在使用 Java ，需要對 HTML 進行處理，不妨試試。
