使用JSOUP处理HTML文档
一、 JSOUP简介
在以往用java来处理解析HTML文档或者片段时，我们通常会采用htmlparser（http://htmlparser.sourceforge.net/）这个开源类库。现在我们有了JSOUP，以后的处理HTML的内容只需要使用JSOUP就已经足够了，JSOUP有更快的更新，更方便的API等。
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，可以看作是java版的jQuery。
jsoup的主要功能如下：
- 从一个URL，文件或字符串中解析HTML；
- 使用DOM或CSS选择器来查找、取出数据；
- 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。官方网站：http://jsoup.org/
二、 解析遍历HTML文档
Jsoup处理HTML文件是，是将用户输入的HTML文档，解析转换成一个Document对象进行处理。Jsoup一般支持以下几种来源内容的转换。
- 解析一个html字符串
- 解析一个body片段
- 根据一个url地址加载Document对象
- 根据一个文件加载Document对象
(一)解析一个html字符串
在处理一个html字符串。我们可能需要对其进行解析，并提取其内容，或校验其格式是否完整，或者想修改它。Jsoup可以帮助我们轻松的解决这些问题。
在Jsoup中有一个这样的静态方法Jsoup.parse(String html)，可以将我们的html片段转换成Document对象。示例如下：
|
1
2
|
String html =
"<div><p align=\"center\"><img alt=\"\" width=\"660\" height=\"852\" src=\"/erp/UserFiles/Image/51.jpg\" />这是P元素的内容</p>"
;
Document document = Jsoup.parse(html);
|
使用上面的方法，就可以将html字符串，转换成Document对象，一旦有了Document对象，我们就可以使用其中适当的方法根据需求处理问题。我们可以看到这里转换的html片段并不是一个合法的html片段，里面的div标签没有闭合。这对于Jsoup来说不是问题，它可以很好的处理这类问题。
(二) 解析body片段
假如我们现在有一个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。我们可以使用使用Jsoup.parseBodyFragment(String html)方法。
示例如下：
|
1
2
|
String html =
"<div><p align=\"center\"><img alt=\"\" width=\"660\" height=\"852\" src=\"/erp/UserFiles/Image/51.jpg\" />这是P元素的内容</p>"
;
Document document = Jsoup.parseBodyFragment(html);
|
看到这里可能会有疑问，这个和上面的html片段是一样的嘛。没错是一样的，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。假如使用正常的 Jsoup.parse(String html) 方法，通常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。
(三) 根据一个URL地址加载Document对象
有时候我们可能希望通过一个url地址，然后提取里面的内容，转换成document对象。我们以前可能是使用http client等模拟一个请求，然后取得返回内容等，使用Jsoup方便简单的解决这个问题。示例如下：
|
1
2
3
|
String title = document.title();
String text = document.text();
|
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：
|
1
|
Document doc = Jsoup.connect(
"http://test.com"
).data(
"query"
,
"Java"
).userAgent(
"Mozilla"
).cookie(
"auth"
,
"token"
).timeout(
3000
).post();
|
可以向链接地址post参数，设置userAgent，cookie，timeout等，而且这里是采用的链接操作很方便（熟悉jQuery的应该很熟悉这样的链接操作）。
(四)根据文件加载document
有时候我们要处理的html内容，可能是存在硬盘上的某个文件里面，我们需要从中提取或者解析某些内容出来，我们可以通过Jsoup来这样处理。示例代码如下：
|
1
2
|
File input =
new
File(
"d:/input.html"
);
|
看到这里可能有一个疑问，第一个参数是文件，第二是编码，第三个是什么呢?第三个参数是baseUrl，使用他我们可以方便的处理相对路径问题，如果不需要可以不传，这是一个多态方法，在前面的三个部分里面，都可以再加一个这样的baseUrl，后面会详细讲述。
三、 数据抽取
(一) 使用Dom方法遍历文档
通过第二章我们可以获取一个document的对象，我们可以通过这个对象来遍历文档，如：
|
1
2
3
4
5
6
7
|
Element content = doc.getElementById(
"content"
);
Elements links = content.getElementsByTag(
"a"
);
for
(Element link : links) {
String linkHref = link.attr(
"href"
);
String linkText = link.text();
}
|
这里我们可以方便的使用Doument对象的方法来获取内容。常用方法如下：
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() 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(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() and tagName()
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)
(二) 使用选择器来查找元素
使用jQuery时，我们无不为其强大的选择器叹服，jsoup有同样的强大的选择器，可以方便我们的对文档进行处理。示例代码如下：
|
1
2
3
4
5
6
|
Elements links = doc.select(
"a[href]"
);
//带有<span style="text-decoration: underline;">href</span>属性的a元素
Elements pngs = doc.select(
"img[src$=.png]"
);
//扩展名为.<span style="text-decoration: underline;">png</span>的图片
Element masthead = doc.select(
"div.masthead"
).first();
//class等于<span style="text-decoration: underline;">masthead</span>的<span style="text-decoration: underline;">div</span>标签
Elements resultLinks = doc.select(
"h3.r > a"
);
//在h3元素之后的a元素
|
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。
(三) 从元素中抽取属性和文档
使用Jsoup抽取属性，一般方法如下：
- 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
示例如下：
|
1
2
3
4
5
6
7
8
9
10
11
|
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</pre>
String text = doc.body().text();
// "An example link"//取得字符串中的文本
String linkText = link.text();
// "example""//取得链接地址中的文本</pre>
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
|
(四) URL处理
我们在处理HTML内容时，可能经常会遇到这种问题，需要将html页面里面的链接地址从相对地址转换成绝对地址，jsoup有一个方法用来解决此问题。我们前面对到的baseurl，就是用来解决此问题的。示例代码如下：
|
1
2
3
4
5
|
Element link = doc.select(
"a"
).first();
String relHref = link.attr(
"href"
);
// == "/"
String absHref = link.attr(
"abs:href"
);
|
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(String key)。
四、 数据修改
(一) 设置属性值
在处理html时，我们有时候可能需要修改里面的属性值，如图片地址、class名称等各种属性。
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：
|
1
|
doc.select(
"div.comments a"
).attr(
"rel"
,
"nofollow"
);
|
这里的jsoup方法同样支持链接操作，如下：
|
1
|
doc.select(
"div.masthead"
).attr(
"title"
,
"jsoup"
).addClass(
"round-box"
);
|
(二) 设置元素的html内容
我们需要向html里面添加html片段等内容时可以如下操作：
|
1
2
3
4
5
6
7
8
9
|
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>
//对元素包裹一个外部HTML内容添完后的结果:
//<li><a href="http://example.com"><span>One</span></a></li>
|
(三) 设置元素的文本内容
如果我们需要修改元素内的文本内容，可以如下操作：
|
1
2
3
4
5
|
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 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。