开源HTML解析工具包jsoup 1.3.1发布

开源HTML解析工具包jsoup 1.3.1发布

作者 崔康 发布于 2010年8月26日 上午12时35分

社区

 

Java

 

主题

 

XML 数据绑定 , 

开放源代码 , 

Web 2.0 , 

互联网 

标签

 

解析 , 

CSS , 

github , 

HTTP , 

API , 

开源软件 , 

XML

分享 |  

jsoup是一款开源的HTML解析工具包，采用Java语言编写，通过精巧的API充分利用DOM、CSS和类jquery的方法抽取和操作数据。最近，jsoup 1.3.1正式发布，对上一版（1.2.3）做了重要更新，包括完成自主实现（无外部依赖）、改进Web连接方法等。

随着Web应用的不断发展，开发人员有时需要通过HTML解析功能实现客户需求。读者朋友可能对老牌HTML Parser Java库比较熟悉。其实，jsoup也是为了方便开发人员实现HTML解析而刚刚诞生（2010年初发起）的一款工具包。jsoup的主要功能包括：

• 解析，通过URL、文件或者字符串来分析HTML文档。
• 查找，通过DOM遍历或者CSS选择器来寻找和抽取数据。
• 操作，处理HTML元素、属性和文本。
• 检查，通过白名单机制来保护HTML内容的安全。

jsoup 1.3.1的主要更新包括：

• 完成了自主实现，在之前的版本中，jsoup依赖于Apache Commons-Lang的一些方法，如HTML内容解析等。在新版中，这些方法完全自主实现，不再需要外部依赖。一方面减少JVM的内存消耗，另一方面有助于开发人员入门。
• 改进Web连接方法，jsoup现在支持一种方便的connection接口，即Jsoup.connect(String url)。这种方法允许开发人员快捷地创建HTTP请求，包括指定用户代理、cookie、超时等等。方法的返回值可以直接被解析成Document。示例代码如下：

Document doc = Jsoup.connect("http://example.com")
  .data("query", "Java")
  .userAgent("Mozilla")
  .cookie("auth", "token")
  .timeout(3000)
  .post();  

• 增加了一些便捷方法，如Element.ownText()、Document.OutputSettings.prettyPrint(boolean)等。
• 改进了文档解析的性能。
• 修补了一些Bug。

感兴趣的读者朋友可以下载jsoup试用，查看其使用手册和文档说明。jsoup采用MIT协议开源，目前在GitHub上进行开发和维护，喜欢深究的朋友可以在此查看源代码。