Jsoup简介——使用Java抓取网页数据
Jsoup简介——使用Java抓取网页数据
概述
jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。jsoup的主要功能如下：
1. 从一个URL，文件或字符串中解析HTML；
2. 使用DOM或CSS选择器来查找、取出数据；
3. 可操作HTML元素、属性、文本；
jsoup是基于MIT协议发布的，可放心使用于商业项目。
关于Jsoul的更多介绍，请访问Jsoul的官网： http://jsoup.org/
关于Jsoul的jar包下载地址： http://jsoup.org/download
关于Jsoul的官网API文档查询：
http://jsoup.org/apidocs/
========================================================================================================
入门
1.解析和遍历一个html文档
String html = "First parse " + "Parsed HTML into a doc.
"; 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：
Lorem
Ipsum
Lorem
Ipsum
- 隐式标签 (比如. 它可以自动将
Table data ? ) - 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）
一个文档的对象模型
- 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。
参见
- 数据抽取： DOM遍历
- 数据抽取： Selector syntax
========================================================================================================
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, String baseUri)示例代码：String html = "
First parse " + "Parsed HTML into a doc.
"; 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
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(String url)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, String charsetName)代替。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(String html)方法.String html = "
Lorem ipsum.
"; 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(String bodyHtml, 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对象
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(String url)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, String charsetName)代替。========================================================================================================
5.根据一个文件加载Document对象
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, String charsetName, 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, String charsetName)，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Document对象
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
getElementById(String id)getElementsByTag(String tag)getElementsByClass(String className)getElementsByAttribute(String key)(and related methods)- Element siblings:
siblingElements(),firstElementSibling(),lastElementSibling();nextElementSibling(),previousElementSibling() - Graph:
parent(),children(),child(int index)
元素数据
attr(String key)获取属性attr(String key, String value)设置属性attributes()获取所有属性id(),className()andclassNames()text()获取文本内容text(String value)设置文本内容html()获取元素内HTMLhtml(String value)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)tag()andtagName()
操作HTML和文本
append(String html),prepend(String html)appendText(String text),prependText(String text)appendElement(String tagName),prependElement(String tagName)html(String value)
========================================================================================================
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(String selector)和Elements.select(String selector)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$=.png]"); //扩展名为.png的图片 Element masthead = doc.select("div.masthead").first(); //class等于masthead的div标签 Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素说明
jsoup elements对象支持类似于 CSS (或 jquery )的选择器语法，来实现非常强大和灵活的查找功能。.
这个
select方法在Document,Element,或Elements对象中都可以使用。且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。Select方法将返回一个
Elements集合，并提供一组方法来抽取和处理结果。Selector选择器概述
tagname: 通过标签查找元素，比如：ans|tag: 通过标签在命名空间查找元素，比如：可以用fb|name语法来查找#id: 通过ID查找元素，比如：#logo.class: 通过class名称查找元素，比如：.masthead[attribute]: 利用属性查找元素，比如：[href][^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-]来查找带有HTML5 Dataset属性的元素[attr=value]: 利用属性值来查找元素，比如：[width=500][attr^=value],[attr$=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#logoel.class: 元素+class，比如：div.mastheadel[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 + divsiblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ pel, 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
SelectorAPI参考来了解更详细的内容========================================================================================================
8.从元素集合抽取属性、文本和html内容
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 = "
An example link.
"; 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(); // "example" String linkInnerH = link.html(); // "example"//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.id()Element.tagName()Element.className()andElement.hasClass(String className)
这些访问器方法都有相应的setter方法来更改数据.
参见
Element和Elements集合类的参考文档- URLs处理
- 使用CSS选择器语法来查找元素
========================================================================================================
9.URL处理
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
- 在你解析文档时确保有指定
base URI，然后 - 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：
.... 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(String key)。========================================================================================================
10.程序示例：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; } }示例输入结果
Fetching http://news.ycombinator.com/... Media: (38) * img:
数据修改
11.设置属性值
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(String key, String value).假如你需要修改一个元素的
class属性，可以使用Element.addClass(String className)和Element.removeClass(String className)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.html("lorem ipsum
"); //div.prepend("lorem ipsum
First
");//在div前添加html内容 div.append("Last
");//在div之后添加html内容 // 添完后的结果:Element span = doc.select("span").first(); // One span.wrap("First
lorem ipsum
Last
- "); // 添完后的结果:
- One
说明
Element.html(String html)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(String first)和Element.append(String last)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(String around)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(String tag)和Element.appendElement(String tag)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.text("five > four"); //five > fourdiv.prepend("First "); div.append(" Last"); // now:First five > four Last说明
文本设置方法与 HTML setter 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(String first)和Element.append(String last)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-site scripting 攻击（XSS）。
方法
使用jsoup HTML
Cleaner方法进行清除，但需要指定一个可配置的Whitelist。String unsafe = ""; String safe = Jsoup.clean(unsafe, Whitelist.basic()); // now:
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 cheat sheet ，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whitelist parser-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
========================================================================================================
jsoup 的基本功能到这里就介绍完毕，但由于jsoup 良好的可扩展性API 设计，你可以通过选择器的定义来开发出非常强大的HTML 解析功能。再加上jsoup 项目本身的开发也非常活跃，因此如果你正在使用Java ，需要对HTML 进行处理，不妨试试。
以上中文文档摘自： http://www.open-open.com/jsoup/ 如若看的不清楚，请直接访问该站！
你可能感兴趣的:(Java)