jsoup抓取网页+具体解说
Java 程序在解析 HTML 文档时，相信大家都接触过 htmlparser 这个开源项目。我以前在 IBM DW 上发表过两篇关于 htmlparser 的文章。各自是：从 HTML 中攫取你所需的信息和 扩展 HTMLParser 对自己定义标签的处理能力。但如今我已经不再使用 htmlparser 了。原因是 htmlparser 非常少更新，但最重要的是有了 jsoup 。
jsoup 是一款 Java 的 HTML 解析器。可直接解析某个 URL 地址、HTML 文本内容。
它提供了一套很省力的 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 的主要功能例如以下：
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 协议公布的，可放心使用于商业项目。
jsoup 的主要类层次结构如图 1 所看到的：
图 1. jsoup 的类层次结构
接下来我们专门针对几种常见的应用场景举例说明 jsoup 是怎样优雅的进行 HTML 文档处理的。
回页首
文档输入
jsoup 能够从包含字符串、URL 地址以及本地文件来载入 HTML 文档。并生成 Document 对象实例。
以下是相关代码：
清单 1
// 直接从字符串中输入 HTML 文档 String html = " |
请大家注意最后一种 HTML 文档输入方式中的 parse 的第三个參数，为什么须要在这里指定一个网址呢（尽管能够不指定，如第一种方法）？由于 HTML 文档中会有非常多比如链接、图片以及所引用的外部脚本、css 文件等。而第三个名为 baseURL 的參数的意思就是当 HTML 文档使用相对路径方式引用外部文件时。jsoup 会自己主动为这些 URL 加上一个前缀，也就是这个 baseURL。
回页首
解析并提取 HTML 元素
这部分涉及一个 HTML 解析器最主要的功能，但 jsoup 使用一种有别于其它开源项目的方式——选择器，我们将在最后一部分具体介绍 jsoup 选择器。本节中你将看到 jsoup 是怎样用最简单的代码实现。
只是 jsoup 也提供了传统的 DOM 方式的元素解析。看看以下的代码：
清单 2.
File input = new File("D:/test.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://www.oschina.net/");
Element content = doc.getElementById("content");
Elements links = content.getElementsByTag("a");
for (Element link : links) {
String linkHref = link.attr("href");
String linkText = link.text();
}
|
你可能会认为 jsoup 的方法似曾相识，没错。像 getElementById 和 getElementsByTag 方法跟 JavaScript 的方法名称是一样的，功能也全然一致。
你能够依据节点名称或者是 HTML 元素的 id 来获取相应的元素或者元素列表。
与 htmlparser 项目不同的是。jsoup 并没有为 HTML 元素定义一个相应的类。一般一个 HTML 元素的组成部分包含：节点名、属性和文本，jsoup 提供简单的方法供你自己检索这些数据，这也是 jsoup 保持瘦身的原因。
而在元素检索方面，jsoup 的选择器简直无所不能。
清单 3.
File input = new File("D:\test.html");
Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/");
Elements links = doc.select("a[href]"); // 具有 href 属性的链接
Elements pngs = doc.select("img[src$=.png]");// 全部引用 png 图片的元素
Element masthead = doc.select("div.masthead").first();
// 找出定义了 class=masthead 的元素
Elements resultLinks = doc.select("h3.r > a"); // direct a after h3
|
这是 jsoup 真正让我折服的地方，jsoup 使用跟 jQuery 一模一样的选择器对元素进行检索，以上的检索方法假设换成是其它的 HTML 解释器，至少都须要非常多行代码，而 jsoup 仅仅须要一行代码就可以完毕。
jsoup 的选择器还支持表达式功能，我们将在最后一节介绍这个超强的选择器。
回页首
改动数据
在解析文档的同一时候。我们可能会须要对文档中的某些元素进行改动，比如我们能够为文档中的全部图片添加可点击链接、改动链接地址或者是改动文本等。
以下是一些简单的样例：
清单 4.
doc.select("div.comments a").attr("rel", "nofollow");
// 为全部链接添加 rel=nofollow 属性
doc.select("div.comments a").addClass("mylinkclass");
// 为全部链接添加 class=mylinkclass 属性
doc.select("img").removeAttr(" // 删除全部图片的 onclick 属性
doc.select("input[type=text]").val(""); // 清空全部文本输入框中的文本
|
道理非常easy，你仅仅须要利用 jsoup 的选择器找出元素，然后就能够通过以上的方法来进行改动，除了无法改动标签名外（能够删除后再插入新的元素），包含元素的属性和文本都能够改动。
改动完直接调用 Element(s) 的 html() 方法就能够获取改动完的 HTML 文档。
回页首
HTML 文档清理
jsoup 在提供强大的 API 同一时候。人性化方面也做得很好。在做站点的时候。常常会提供用户评论的功能。
有些用户比較淘气。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。比如 XSS 跨站点攻击之类的。
jsoup 对这方面的支持很强大，使用很easy。看看以下这段代码：
清单 5.
String unsafe = ""; String safe = Jsoup.clean(unsafe, Whitelist.basic()); // 输出 : // |
jsoup 使用一个 Whitelist 类用来对 HTML 文档进行过滤。该类提供几个经常用法：
表 1. 经常用法：
| 方法名 | 简单介绍 |
|---|---|
| none() | 仅仅同意包括文本信息 |
| basic() | 同意的标签包含：a, b, blockquote, br, cite, code, dd, dl, dt, em, i, li, ol, p, pre, q, small, strike, strong, sub, sup, u, ul, 以及合适的属性 |
| simpleText() | 仅仅同意 b, em, i, strong, u 这些标签 |
| basicWithImages() | 在 basic() 的基础上添加了图片 |
| relaxed() | 这个过滤器同意的标签最多。包含：a, b, blockquote, br, caption, cite, code, col, colgroup, dd, dl, dt, em, h1, h2, h3, h4, h5, h6, i, img, li, ol, p, pre, q, small, strike, strong, sub, sup, table, tbody, td, tfoot, th, thead, tr, u, ul |
假设这五个过滤器都无法满足你的要求呢，比如你同意用户插入 flash 动画，没关系，Whitelist 提供扩展功能，比如 whitelist.addTags("embed","object","param","span","div"); 也可调用 addAttributes 为某些元素添加属性。
回页首
jsoup 的过人之处——选择器
前面我们已经简单的介绍了 jsoup 是怎样使用选择器来对元素进行检索的。本节我们把重点放在选择器本身强大的语法上。下表是 jsoup 选择器的全部语法具体列表。
表 2. 基本使用方法：
| tagname | 使用标签名来定位，比如 a |
| ns|tag | 使用命名空间的标签定位，比如 fb:name 来查找 |
| #id | 使用元素 id 定位，比如 #logo |
| .class | 使用元素的 class 属性定位，比如 .head |
| [attribute] | 使用元素的属性进行定位，比如 [href] 表示检索具有 href 属性的全部元素 |
| [^attr] | 使用元素的属性名前缀进行定位，比如 [^data-] 用来查找 HTML5 的 dataset 属性 |
| [attr=value] | 使用属性值进行定位，比如 [width=500] 定位全部 width 属性值为 500 的元素 |
| [attr^=value], [attr$=value], [attr*=value] | 这三个语法分别代表，属性以 value 开头、结尾以及包括 |
| [attr~=regex] | 使用正則表達式进行属性值的过滤，比如 img[src~=(?i)\.(png|jpe?g)] |
| * | 定位全部元素 |
以上是最主要的选择器语法，这些语法也能够组合起来使用，以下是 jsoup 支持的组合使用方法：
表 3：组合使用方法：
除了一些主要的语法以及这些语法进行组合外，jsoup 还支持使用表达式进行元素过滤选择。以下是 jsoup 支持的全部表达式一览表：
表 4. 表达式：
| :lt(n) | 比如 td:lt(3) 表示 小于三列 |
| :gt(n) | div p:gt(2) 表示 div 中包括 2 个以上的 p |
| :eq(n) | form input:eq(1) 表示仅仅包括一个 input 的表单 |
| :has(seletor) | div:has(p) 表示包括了 p 元素的 div |
| :not(selector) | div:not(.logo) 表示不包括 class=logo 元素的全部 div 列表 |
| :contains(text) | 包括某文本的元素。不区分大写和小写。比如 p:contains(oschina) |
| :containsOwn(text) | 文本信息全然等于指定条件的过滤 |
| :matches(regex) | 使用正則表達式进行文本过滤：div:matches((? i)login) |
| :matchesOwn(regex) | 使用正則表達式找到自身的文本 |