?) 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
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:
?
1
2
3
|
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
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.
?
1
2
3
|
String html =
"
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
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:
?
1
2
|
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:
?
1
2
3
4
5
6
|
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.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:
?
1
2
|
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。
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:
?
1
2
3
4
5
6
7
8
9
|
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() 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)
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:
?
1
2
3
4
5
6
7
8
9
10
11
|
File input =
new
File(
"/tmp/input.html"
);
Document doc = Jsoup.parse(input,
"UTF-8"
,
"http://example.com/"
);
Elements links = doc.select(
"a[href]"
);
Elements pngs = doc.select(
"img[src$=.png]"
);
Element masthead = doc.select(
"div.masthead"
).first();
Elements resultLinks = doc.select(
"h3.r > a"
);
|
说明
jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.
这个select 方法在Document , Element ,或Elements 对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。
Select方法将返回一个Elements 集合,并提供一组方法来抽取和处理结果。
Selector选择器概述
tagname : 通过标签查找元素,比如:a
ns|tag : 通过标签在命名空间查找元素,比如:可以用 fb|name 语法来查找 元素
#id : 通过ID查找元素,比如:#logo
.class : 通过class名称查找元素,比如:.masthead
[attribute] : 利用属性查找元素,比如:[href]
[^attr] : 利用属性名前缀来查找元素,比如:可以用[^data-] 来查找带有HTML5 Dataset属性的元素
[attr=value] : 利用属性值来查找元素,比如:[width=500]
[attr^=value] , [attr$=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:
?
1
2
3
4
5
6
7
8
9
10
11
|
Document doc = Jsoup.parse(html);
Element link = doc.select(
"a"
).first();
String text = doc.body().text();
String linkHref = link.attr(
"href"
);
String linkText = link.text();
String linkOuterH = link.outerHtml();
String linkInnerH = link.html();
|
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() and Element.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.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
- 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:
?
1
2
3
4
5
|
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"
);
|
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.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
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
|
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 {
String url =
"http://news.ycombinator.com/"
;
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:
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
|
Fetching http:
Media: (
38
)
* img:
* img:
* img:
* img:
* script:
* img:
* img:
* img:
* img:
Imports: (
2
)
* link
* link
Links: (
141
)
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
* a:
|
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(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"
);
|
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:
?
1
|
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:
?
1
2
3
4
5
6
7
8
9
|
Element div = doc.select(
"div"
).first();
div.html(
"lorem ipsum "
);
Element span = doc.select(
"span"
).first();
|
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::
?
1
2
3
4
5
|
Element div = doc.select(
"div"
).first();
div.text(
"five > four"
);
div.prepend(
"First "
);
div.append(
" 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。
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 。
?
1
2
3
4
|
String unsafe =
String safe = Jsoup.clean(unsafe, Whitelist.basic());
|
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 链接属性了解
转发请注明出处:http://www.cnblogs.com/jycboy/p/jsoupdoc.html
如果您觉得阅读本文对您有帮助,请点一下�?推荐”按钮,您的“推荐�?将是我最大的写作动力!欢迎各位转载,但是未经作者本人同意,转载文章之后必须在文章页面明显位置给出作者和原文连接,否则保留追究法律责任的权利�?
分类: android学习
好文要顶 关注我 收藏该文
超超boy
关注 - 20
粉丝 - 75
+加关注
« 上一篇: dom4j创建xml
» 下一篇: android Json详解
posted @ 2015-09-09 11:08 超超boy 阅读( 29614) 评论() 编辑 收藏
|