使用 jsoup 对 HTML 文档进行解析和操作

jsoup 简介

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,我曾经在 IBM DW 上发表过两篇关于 htmlparser 的文章,分别是:从HTML中攫取你所需的信息 和扩展 HTMLParser 对自定义标签的处理能力。但现在我已经不再使用 htmlparser 了,原因是 htmlparser 很少更新,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。

jsoup 的主要类层次结构如下图所示:



接下来我们专门针对几种常见的应用场景举例说明 jsoup 是如何优雅的进行 HTML 文档处理的。

文档输入

jsoup 可以从包括字符串、URL地址以及本地文件来加载 HTML 文档,并生成 Document 对象实例。

下面是相关代码:

折叠  Java 代码 复制内容到剪贴板
  1. // 直接从字符串中输入 HTML 文档  
  2. String html = "<html><head><title>开源中国社区</title></head>"  
  3.   + "<body><p>这里是 jsoup 项目的相关文章</p></body></html>";  
  4. Document doc = Jsoup.parse(html);  
  5.   
  6. // 从URL直接加载 HTML 文档  
  7. Document doc = Jsoup.connect("http://www.oschina.net/").get();  
  8. String title = doc.title();  
  9.   
  10. Document doc = Jsoup.connect("http://www.oschina.net/")  
  11.   .data("query""Java")   //请求参数  
  12.   .userAgent("I’m jsoup"//设置User-Agent  
  13.   .cookie("auth""token"//设置cookie  
  14.   .timeout(3000)           //设置连接超时时间  
  15.   .post();                 //使用POST方法访问URL  
  16.   
  17. // 从文件中加载 HTML 文档  
  18. File input = new File("D:/test.html");  
  19. Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/");  

请大家注意最后一种 HTML 文档输入方式中的 parse 的第三个参数,为什么需要在这里指定一个网址呢(虽然可以不指定,如第一种方法)?因为 HTML 文档中会有很多例如链接、图片以及所引用的外部脚本、css文件等,而第三个名为 baseURL 的参数的意思就是当 HTML 文档使用相对路径方式引用外部文件时,jsoup 会自动为这些 URL 加上一个前缀,也就是这个 baseURL。

例如 <a href=/project>开源软件</a> 会被转换成 <a href=http://www.oschina.net/project>开源软件</a>。

解析并提取 HTML 元素

这部分涉及一个 HTML 解析器最基本的功能,但 jsoup 使用一种有别于其他开源项目的方式——选择器,我们将在最后一部分详细介绍 jsoup 选择器,本节中你将看到 jsoup 是如何用最简单的代码实现。

不过 jsoup 也提供了传统的 DOM 方式的元素解析,看看下面的代码:

折叠  Java 代码 复制内容到剪贴板
  1. File input = new File("D:/test.html");  
  2. Document doc = Jsoup.parse(input, "UTF-8""http://www.oschina.net/");  
  3.   
  4. Element content = doc.getElementById("content");  
  5. Elements links = content.getElementsByTag("a");  
  6. for (Element link : links) {  
  7.   String linkHref = link.attr("href");  
  8.   String linkText = link.text();  
  9. }  

你可能会觉得 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,功能也完全一致。你可以根据节点名称或者是 HTML 元素的 id 来获取对应的元素或者元素列表。

与 htmlparser 项目不同的是,jsoup 并没有为 HTML 元素定义一个对应的类,一般一个 HTML 元素的组成部分包括: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,

折叠  Java 代码 复制内容到剪贴板
  1. File input = new File("D:\test.html");  
  2. Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/");  
  3.   
  4. Elements links = doc.select("a[href]"); // 具有 href 属性的链接  
  5. Elements pngs = doc.select("img[src$=.png]");//所有引用png图片的元素  
  6.   
  7.   
  8. Element masthead = doc.select("div.masthead").first();  
  9. // 找出定义了 class=masthead 的元素  
  10.   
  11. 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,以上的检索方法如果换成是其他的 HTML 解释器,至少都需要很多行代码,而 jsoup 只需要一行代码即可完成。

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。

修改数据

在解析文档的同时,我们可能会需要对文档中的某些元素进行修改,例如我们可以为文档中的所有图片增加可点击链接、修改链接地址或者是修改文本等。

下面是一些简单的例子:

折叠  Java 代码 复制内容到剪贴板
  1. doc.select("div.comments a").attr("rel""nofollow");  
  2. //为所有链接增加 rel=nofollow 属性  
  3.   
  4. doc.select("div.comments a").addClass("mylinkclass");  
  5. //为所有链接增加 class=mylinkclass 属性  
  6.   
  7. doc.select("img").removeAttr("onclick"); //删除所有图片的onclick属性  
  8.   
  9. doc.select("input[type=text]").val(""); //清空所有文本输入框中的文本  

道理很简单,你只需要利用 jsoup 的选择器找出元素,然后就可以通过以上的方法来进行修改,除了无法修改标签名外(可以删除后再插入新的元素),包括元素的属性和文本都可以修改。

修改完直接调用 Element(s) 的 html() 方法就可以获取修改完的 HTML 文档。

HTML 文档清理

jsoup 在提供强大的 API 同时,人性化方面也做得非常好。在做网站的时候,经常会提供用户评论的功能。有些用户比较淘气,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,例如 XSS 跨站点攻击之类的。

jsoup 对这方面的支持非常强大,使用非常简单。看看下面这段代码:

折叠  Java 代码 复制内容到剪贴板
  1. String unsafe = "<p><a href='http://www.oschina.net/' onclick='stealCookies()'>开源中国社区</a></p>";  
  2. String safe = Jsoup.clean(unsafe, Whitelist.basic());  
  3. // 输出:   
  4. // <p><a href="http://www.oschina.net/" rel="nofollow">开源中国社区</a></p>  

jsoup 使用一个 Whitelist 类用来对 HTML 文档进行过滤,该类提供几个常用方法:

如果这五个过滤器都无法满足你的要求呢,例如你允许用户插入 flash 动画,没关系,Whitelist 提供扩展功能,例如 whitelist.addTags("embed","object","param","span","div"); 也可调用 addAttributes 为某些元素增加属性。

jsoup 的过人之处——选择器

前面我们已经简单的介绍了 jsoup 是如何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 选择器的所有语法详细列表。

基本用法

以上是最基本的选择器语法,这些语法也可以组合起来使用,下面是 jsoup 支持的组合用法:

除了一些基本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。下面是 jsoup 支持的所有表达式一览表:

总结

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。

来自http://www.ai-java.com/entry/140

 
附件
081806_RvFx_12.png(19 K)
附件
082402_c8wE_12.png(13 K)
附件
082508_snEO_12.png(17 K)
附件
082615_VAMv_12.png(12 K)
附件
082700_Hrqw_12.png(13 K)

你可能感兴趣的:(html,jquery,.net,css,脚本)