jsoup的使用
在用了一段时间的正则表达式之后，一直想找个机会学习一下jsoup，据说是解析网页的神器，但苦于官方的英文文档。迟迟没有动手
自从看了youtube上的jsoup的视频之后，短短几行就实现了之前几十行的任务，（爬取网页上的所有超链接），这坚定了我学习jsoup的
决心，结合中文文档和英文文档，花了大概两天的时间，大概了解了一下jsoup的使用，对于正则表达式头疼的不行的我来说，
真乃神器啊，花点时间整理一下，原谅我大篇幅的抄官网，写的实在好，静下心来，一定看的懂。
ps：吐槽一下印象笔记，之前写过一次，没保存，就关闭了，居然没提示是否保存，哎，没办法，再整理一遍，遂有点粗糙，仅供参考
1、
String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>"; Document doc = Jsoup.parse(html);
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。
2、
String html = "<div><p>Lorem ipsum.</p>";
Document doc = Jsoup.parseBodyFragment(html);
Element body = doc.body();
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。
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。
3、从一个url加载doc
//load a document from a url
//doc = Jsoup.connect(" http://www.jsoup.org/").get();
//Elements links = doc.select("a");
//System.out.println(doc);
/*获得body
Element body = doc.body();
System.out.println(body);
*/
/*
* 获得title
String title = doc.title();
System.out.println(title);
*/
/*打印所有链接
for(Element e:links)
{
//System.out.println(e);
//System.out.println(e.attr("abs:href"));
//doc = Jsoup.connect(" http://www.jsoup.org/").get();
//Elements links = doc.select("a");
//System.out.println(doc);
/*获得body
Element body = doc.body();
System.out.println(body);
*/
/*
* 获得title
String title = doc.title();
System.out.println(title);
*/
/*打印所有链接
for(Element e:links)
{
//System.out.println(e);
//System.out.println(e.attr("abs:href"));
}
*/
*/
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。
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。
4、
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。
可以使用静态
Jsoup.parse(File in, String charsetName, String baseUri) 方法：
File input = new File("/tmp/input.html"); Document doc = Jsoup.parse(input, "UTF-8", http://example.com/);
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。
5、
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。
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：
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();
}
//得到所有a标签
Elements as = doc.getElementsByTag("a");
for(Element a : as){
System.out.println(a);
}
Elements as = doc.getElementsByTag("a");
for(Element a : as){
System.out.println(a);
}
/*
Elements as = doc.getElementsByTag("a");
for(Element a : as){
System.out.println(a);
}
*/
//找到id的nav的标签
/*
Element ids = doc.getElementById("nav");
System.out.println(ids);
*/
/*得到class = appdown 的标签
Elements classes = doc.getElementsByClass("appDown");
System.out.println(classes);
*/
/*
Elements attrs = doc.getElementsByAttribute("href");
System.out.println(attrs);
out:
<a href=" http://house.focus.cn/" target="_blank">房产</a>
<a href=" http://house.focus.cn/" target="_blank">更多</a>
*/
/*得到parent标签
Element div = doc.getElementsByClass("appDown").first();
System.out.println(div);
Element parent = div.parent();
System.out.println(parent);
<li class="appDown"><a href=" http://k.sohu.com/">App</a></li>
<ul>
<li class="client dev-pc"><a href="javascript:void(0);" class="dev-cur">电脑<em class="cor-b-h"></em></a> </li>
<li class="retina dev-pad"> <a href="#" class="dev-cur">Pad<em class="cor-b-h"></em></a></li>
<li class="client dev-pad"><a href="#"> 电脑</a></li>
<li class="retina dev-pc"><a href="#">Pad</a></li>
<li class="handset"><a href=" http://m.sohu.com/">手机</a></li>
<li class="appDown"><a href=" http://k.sohu.com/">App</a></li>
</ul>
*/
/*得到标签的属性值
Element aa = doc.getElementsByTag("a").first();
System.out.println(aa);
Attributes aatt = aa.attributes();
System.out.println(aatt);
<a href=" http://news.sohu.com/" target="_blank"><img src=" http://news.sohu.com/upload/2013/images/news_logo0.gif" width="112" height="48" alt="搜狐新闻" filter="1"></a>
href=" http://news.sohu.com/" target="_blank"
*/
Elements as = doc.getElementsByTag("a");
for(Element a : as){
System.out.println(a);
}
*/
//找到id的nav的标签
/*
Element ids = doc.getElementById("nav");
System.out.println(ids);
*/
/*得到class = appdown 的标签
Elements classes = doc.getElementsByClass("appDown");
System.out.println(classes);
*/
/*
Elements attrs = doc.getElementsByAttribute("href");
System.out.println(attrs);
out:
<a href=" http://house.focus.cn/" target="_blank">房产</a>
<a href=" http://house.focus.cn/" target="_blank">更多</a>
*/
/*得到parent标签
Element div = doc.getElementsByClass("appDown").first();
System.out.println(div);
Element parent = div.parent();
System.out.println(parent);
<li class="appDown"><a href=" http://k.sohu.com/">App</a></li>
<ul>
<li class="client dev-pc"><a href="javascript:void(0);" class="dev-cur">电脑<em class="cor-b-h"></em></a> </li>
<li class="retina dev-pad"> <a href="#" class="dev-cur">Pad<em class="cor-b-h"></em></a></li>
<li class="client dev-pad"><a href="#"> 电脑</a></li>
<li class="retina dev-pc"><a href="#">Pad</a></li>
<li class="handset"><a href=" http://m.sohu.com/">手机</a></li>
<li class="appDown"><a href=" http://k.sohu.com/">App</a></li>
</ul>
*/
/*得到标签的属性值
Element aa = doc.getElementsByTag("a").first();
System.out.println(aa);
Attributes aatt = aa.attributes();
System.out.println(aatt);
<a href=" http://news.sohu.com/" target="_blank"><img src=" http://news.sohu.com/upload/2013/images/news_logo0.gif" width="112" height="48" alt="搜狐新闻" filter="1"></a>
href=" http://news.sohu.com/" target="_blank"
*/
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：
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();
}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()andclassNames()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()andtagName()
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)
6、
File input = new File("test.html");
Document doc = Jsoup.connect(" http://jsoup.org/").get();
//System.out.println(doc);
/*
Element content = doc.getElementById("content");
System.out.println(content);
*/
/*
Elements links = doc.getElementsByTag("a");
for(Element link : links){
String linkHref = link.attr("abs:href");
String Linktext = link.text();
//System.out.println(linkHref);
System.out.println(Linktext);
}
*/
/*
Element link = doc.select("a").first();
//System.out.println(link);
String text = doc.body().text();
//System.out.println(text);
String linkhref = link.attr("href");
String linktext = link.text();
String linkouterH = link.outerHtml();
String linkInnerH = link.html();
System.out.println(linkhref+linktext+linkouterH+linkouterH);
// /jsoup<a href="/">jsoup</a><a href="/">jsoup</a>
* */
Elements links = doc.select("a[href]");//带有href属性的a元素
Elements pngs = doc.select("img[src$=.png]");//扩展名为.png的图片
Element masthead = doc.select("div.content").first();
//class 等于masthead -的div标签
Elements resultlinks = doc.select("h2.r>a");
System.out.println(links.first());
System.out.println(pngs.first());
//System.out.println(masthead);
System.out.println(resultlinks.first());
Document doc = Jsoup.connect(" http://jsoup.org/").get();
//System.out.println(doc);
/*
Element content = doc.getElementById("content");
System.out.println(content);
*/
/*
Elements links = doc.getElementsByTag("a");
for(Element link : links){
String linkHref = link.attr("abs:href");
String Linktext = link.text();
//System.out.println(linkHref);
System.out.println(Linktext);
}
*/
/*
Element link = doc.select("a").first();
//System.out.println(link);
String text = doc.body().text();
//System.out.println(text);
String linkhref = link.attr("href");
String linktext = link.text();
String linkouterH = link.outerHtml();
String linkInnerH = link.html();
System.out.println(linkhref+linktext+linkouterH+linkouterH);
// /jsoup<a href="/">jsoup</a><a href="/">jsoup</a>
* */
Elements links = doc.select("a[href]");//带有href属性的a元素
Elements pngs = doc.select("img[src$=.png]");//扩展名为.png的图片
Element masthead = doc.select("div.content").first();
//class 等于masthead -的div标签
Elements resultlinks = doc.select("h2.r>a");
System.out.println(links.first());
System.out.println(pngs.first());
//System.out.println(masthead);
System.out.println(resultlinks.first());
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：ans|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<fb:name>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#logoel.class: 元素+class，比如：div.mastheadel[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 + divsiblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ pel, 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
7、
- 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
String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";
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
String text = doc.body().text(); // "An example link"//取得字符串中的文本
String linkHref = link.attr("href"); // "http://example.com/"//取得链接地址
String linkText = link.text(); // "example""//取得链接地址中的文本
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
8、
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：
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"); // "http://www.open-open.com/"
说明
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)
9、
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：
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：
doc.select("div.masthead").attr("title", "jsoup").addClass("round-box");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。
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。
/*
Elements e = doc.select("a").attr("rel", "nofolow");//为所有的a标签增加属性值
doc.select("div.wrap").attr("title","jsoup").addClass("round-box");
doc.select("a").remove();//删除a标签
System.out.println(doc);
*/
/*修改div的内容
Element div = doc.select("div").first();
div.html("<p>这是我加的</p>");
div.prepend("<p>哈哈</p>");
div.append("<p>字串</p>");
*/
/*用wrap里面的包住span标签
Element span = doc.select("span").first();
span.wrap("<li><a href='http://www.baidu.com'></a></li>");
*/
/*
Element div = doc.select("div").first();
div.text("five > four");
div.prepend("First ");
div.append(" Last");
System.out.println(doc);
<div class="wrap">
First five > four Last
</div>
*/
Elements e = doc.select("a").attr("rel", "nofolow");//为所有的a标签增加属性值
doc.select("div.wrap").attr("title","jsoup").addClass("round-box");
doc.select("a").remove();//删除a标签
System.out.println(doc);
*/
/*修改div的内容
Element div = doc.select("div").first();
div.html("<p>这是我加的</p>");
div.prepend("<p>哈哈</p>");
div.append("<p>字串</p>");
*/
/*用wrap里面的包住span标签
Element span = doc.select("span").first();
span.wrap("<li><a href='http://www.baidu.com'></a></li>");
*/
/*
Element div = doc.select("div").first();
div.text("five > four");
div.prepend("First ");
div.append(" Last");
System.out.println(doc);
<div class="wrap">
First five > four Last
</div>
*/
10、
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。
String unsafe =
"<p><a href='http://example.com/' onclick='stealCookies()'>Link</a></p>";
String safe = Jsoup.clean(unsafe, Whitelist.basic());
// now: <p><a href="http://example.com/" rel="nofollow">Link</a></p>
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。