Jsoup解析Html中文文檔

時間 2020-04-21

標籤 jsoup 解析 html 中文文檔欄目 Java 简体版

原文原文鏈接

jsoup 簡介
Java 程序在解析 HTML 文檔時，相信你們都接觸過 htmlparser 這個開源項目，我曾經在 IBM DW 上發表過兩篇關於 htmlparser 的文章，分別是：從 HTML 中攫取你所需的信息和擴展 HTMLParser 對自定義標籤的處理能力。但如今我已經再也不使用 htmlparser 了，緣由是 htmlparser 不多更新，但最重要的是有了 jsoup 。
jsoup 是一款 Java 的 HTML 解析器，可直接解析某個 URL 地址、HTML 文本內容。它提供了一套很是省力的 API，可經過 DOM，CSS 以及相似於 jQuery 的操做方法來取出和操做數據。
jsoup 的主要功能以下：
1. 從一個 URL，文件或字符串中解析 HTML；
2. 使用 DOM 或 CSS 選擇器來查找、取出數據；
3. 可操做 HTML 元素、屬性、文本；php

官網地址：http://www.open-open.com/jsoup/ css

jsoup Cookbook(中文版)
入門
1.解析和遍歷一個html文檔
輸入
2.解析一個html字符串
3.解析一個body片段
4.根據一個url加載Document對象
5.根據一個文件加載Document對象
數據抽取
6.使用dom方法來遍歷一個Document對象
7.使用選擇器語法來查找元素
8.從元素集合抽取屬性、文本和html內容
9.URL處理
10.程序示例：獲取全部連接
數據修改
11.設置屬性值
12.設置元素的html內容
13.設置元素的文本內容
html清理
14.消除不受信任的html (來防止xss攻擊)html

1.解析和遍歷一個HTML文檔
如何解析一個HTML文檔：java

1node

2jquery

3css3

String html = "<html><head><title>First parse</title></head>"web

+ "<body><p>Parsed HTML into a doc.</p></body></html>";正則表達式

Document doc = Jsoup.parse(html);django

　　(更詳細內容可查看解析一個HTML字符串.)

其解析器可以盡最大可能從你提供的HTML文檔來創見一個乾淨的解析結果，不管HTML的格式是否完整。好比它能夠處理：

沒有關閉的標籤 (好比： <p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>)
隱式標籤 (好比. 它能夠自動將 <td>Table data</td>包裝成<table><tr><td>?)
建立可靠的文檔結構（html標籤包含head 和 body，在head只出現恰當的元素）
一個文檔的對象模型
文檔由多個Elements和TextNodes組成 (以及其它輔助nodes：詳細可查看：nodes package tree).
其繼承結構以下：Document繼承Element繼承Node. TextNode繼承 Node.
一個Element包含一個子節點集合，並擁有一個父Element。他們還提供了一個惟一的子元素過濾列表。
參見
數據抽取：DOM遍歷
數據抽取：Selector syntax

2.解析一個HTML字符串
存在問題
來自用戶輸入，一個文件或一個網站的HTML字符串，你可能須要對它進行解析並取其內容，或校驗其格式是否完整，或想修改它。怎麼辦？jsonu可以幫你輕鬆解決這些問題

解決方法
使用靜態Jsoup.parse(String html) 方法或 Jsoup.parse(String html, String baseUri)示例代碼：

String html = "<html><head><title>First parse</title></head>"

+ "<body><p>Parsed HTML into a doc.</p></body></html>";

Document doc = Jsoup.parse(html);

　　描述

parse(String html, String baseUri) 這方法可以將輸入的HTML解析爲一個新的文檔 (Document），參數 baseUri 是用來將相對 URL 轉成絕對URL，並指定從哪一個網站獲取文檔。如這個方法不適用，你可使用 parse(String html) 方法來解析成HTML字符串如上面的示例。.

只要解析的不是空字符串，就能返回一個結構合理的文檔，其中包含(至少) 一個head和一個body元素。

一旦擁有了一個Document，你就可使用Document中適當的方法或它父類 Element和Node中的方法來取得相關數據。

3.解析一個body片段

問題
假如你有一個HTML片段 (好比. 一個 div 包含一對 p 標籤; 一個不完整的HTML文檔) 想對它進行解析。這個HTML片段能夠是用戶提交的一條評論或在一個CMS頁面中編輯body部分。

辦法
使用Jsoup.parseBodyFragment(String html)方法.

String html = "<div><p>Lorem ipsum.</p>";

Document doc = Jsoup.parseBodyFragment(html);

Element body = doc.body();

　　說明

parseBodyFragment 方法建立一個空殼的文檔，並插入解析過的HTML到body元素中。假如你使用正常的 Jsoup.parse(String html) 方法，一般你也能夠獲得相同的結果，可是明確將用戶輸入做爲 body片斷處理，以確保用戶所提供的任何糟糕的HTML都將被解析成body元素。

Document.body() 方法可以取得文檔body元素的全部子元素，與 doc.getElementsByTag("body")相同。

保證安全Stay safe
假如你可讓用戶輸入HTML內容，那麼要當心避免跨站腳本攻擊。利用基於 Whitelist 的清除器和 clean(String bodyHtml, Whitelist whitelist)方法來清除用戶輸入的惡意內容。

4.從一個URL加載一個Document

存在問題

你須要從一個網站獲取和解析一個HTML文檔，並查找其中的相關數據。你可使用下面解決方法：

解決方法

使用 Jsoup.connect(String url)方法:

1 2	`Document doc = Jsoup.connect("http://example.com/").get();` `String title = doc.title();`

　　說明

connect(String url) 方法建立一個新的 Connection, 和 get() 取得和解析一個HTML文件。若是從該URL獲取HTML時發生錯誤，便會拋出 IOException，應適當處理。

Connection 接口還提供一個方法鏈來解決特殊請求，具體以下：

Document doc = Jsoup.connect("http://example.com")

.data("query", "Java")

.userAgent("Mozilla")

.cookie("auth", "token")

.timeout(3000)

.post();

　　這個方法只支持Web URLs (http和https 協議); 假如你須要從一個文件加載，可使用 parse(File in, String charsetName) 代替。

5.從一個文件加載一個文檔

問題

在本機硬盤上有一個HTML文件，須要對它進行解析從中抽取數據或進行修改。

辦法

可使用靜態 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/");`

　　說明

parse(File in, String charsetName, String baseUri) 這個方法用來加載和解析一個HTML文件。如在加載文件的時候發生錯誤，將拋出IOException，應做適當處理。

baseUri 參數用於解決文件中URLs是相對路徑的問題。若是不須要能夠傳入一個空的字符串。

另外還有一個方法parse(File in, String charsetName) ，它使用文件的路徑作爲 baseUri。這個方法適用於若是被解析文件位於網站的本地文件系統，且相關連接也指向該文件系統。

6.使用DOM方法來遍歷一個文檔

問題

你有一個HTML文檔要從中提取數據，並瞭解這個HTML文檔的結構。

方法

將HTML解析成一個Document以後，就可使用相似於DOM的方法進行操做。示例代碼：

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();

}

　　說明

Elements這個對象提供了一系列相似於DOM的方法來查找元素，抽取並處理其中的數據。具體以下：

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)

元素數據

attr(String key)獲取屬性attr(String key, String value)設置屬性
attributes()獲取全部屬性
id(), className() and classNames()
text()獲取文本內容text(String value) 設置文本內容
html()獲取元素內HTMLhtml(String value)設置元素內的HTML內容
outerHtml()獲取元素外HTML內容
data()獲取數據內容（例如：script和style標籤)
tag() and tagName()

操做HTML和文本

7.使用選擇器語法來查找元素

問題

你想使用相似於CSS或jQuery的語法來查找和操做元素。

方法

可使用Element.select(String selector) 和 Elements.select(String selector) 方法實現：

File input = new File("/tmp/input.html");

Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

Elements links = doc.select("a[href]"); //帶有href屬性的a元素

Elements pngs = doc.select("img[src$=.png]");

//擴展名爲.png的圖片

Element masthead = doc.select("div.masthead").first();

//class等於masthead的div標籤

Elements resultLinks = doc.select("h3.r > a"); //在h3元素以後的a元素

　說明

jsoup elements對象支持相似於CSS (或jquery)的選擇器語法，來實現很是強大和靈活的查找功能。.

這個select 方法在Document, Element,或Elements對象中均可以使用。且是上下文相關的，所以可實現指定元素的過濾，或者鏈式選擇訪問。

Select方法將返回一個Elements集合，並提供一組方法來抽取和處理結果。

Selector選擇器概述

tagname: 經過標籤查找元素，好比：a
ns|tag: 經過標籤在命名空間查找元素，好比：能夠用 fb|name 語法來查找 <fb:name> 元素
#id: 經過ID查找元素，好比：#logo
.class: 經過class名稱查找元素，好比：.masthead
[attribute]: 利用屬性查找元素，好比：[href]
[^attr]: 利用屬性名前綴來查找元素，好比：能夠用[^data-] 來查找帶有HTML5 Dataset屬性的元素
[attr=value]: 利用屬性值來查找元素，好比：[width=500]
[attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素，好比：[href*=/path/]
[attr~=regex]: 利用屬性值匹配正則表達式來查找元素，好比： img[src~=(?i)\.(png|jpe?g)]
*: 這個符號將匹配全部元素

Selector選擇器組合使用

el#id: 元素+ID，好比： div#logo
el.class: 元素+class，好比： div.masthead
el[attr]: 元素+class，好比： a[href]
任意組合，好比：a[href].highlight
ancestor child: 查找某個元素下子元素，好比：能夠用.body p 查找在"body"元素下的全部 p元素
parent > child: 查找某個父元素下的直接子元素，好比：能夠用div.content > p 查找 p 元素，也能夠用body > * 查找body標籤下全部直接子元素
siblingA + siblingB: 查找在A元素以前第一個同級元素B，好比：div.head + div
siblingA ~ siblingX: 查找A元素以前的同級X元素，好比：h1 ~ p
el, el, el:多個選擇器組合，查找匹配任一選擇器的惟一元素，例如：div.masthead, div.logo

僞選擇器selectors

:lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對於它的父節點）小於n，好比：td:lt(3) 表示小於三列的元素
:gt(n):查找哪些元素的同級索引值大於n，好比： div p:gt(2)表示哪些div中有包含2個以上的p元素
:eq(n): 查找哪些元素的同級索引值與n相等，好比：form input:eq(1)表示包含一個input標籤的Form元素
:has(seletor): 查找匹配選擇器包含元素的元素，好比：div:has(p)表示哪些div包含了p元素
:not(selector): 查找與選擇器不匹配的元素，好比： div:not(.logo) 表示不包含 class="logo" 元素的全部 div 列表
:contains(text): 查找包含給定文本的元素，搜索不區分大不寫，好比： p:contains(jsoup)
:containsOwn(text): 查找直接包含給定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正則表達式，好比：div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素
注意：上述僞選擇器索引是從0開始的，也就是說第一個元素索引值爲0，第二個元素index爲1等

能夠查看Selector API參考來了解更詳細的內容

8.從元素抽取屬性，文本和HTML

問題

在解析得到一個Document實例對象，並查找到一些元素以後，你但願取得在這些元素中的數據。

方法

要取得一個屬性的值，可使用Node.attr(String key) 方法
對於一個元素中的文本，可使用Element.text()方法
對於要取得元素或屬性中的HTML內容，可使用Element.html(), 或 Node.outerHtml()方法

示例：

String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";

Document doc = Jsoup.parse(html);//解析HTML字符串返回一個Document實現

Element link = doc.select("a").first();//查找第一個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/"//取得連接地址

String linkText = link.text(); // "example""//取得連接地址中的文本

String linkOuterH = link.outerHtml();

// "<a href="http://example.com"><b>example</b></a>"

String linkInnerH = link.html(); // "<b>example</b>"//取得連接內的html內容

　　說明

上述方法是元素數據訪問的核心辦法。此外還其它一些方法可使用：

Element.id()
Element.tagName()
Element.className() and Element.hasClass(String className)

這些訪問器方法都有相應的setter方法來更改數據.

參見

9.處理URLs

問題

你有一個包含相對URLs路徑的HTML文檔，須要將這些相對路徑轉換成絕對路徑的URLs。

方法

在你解析文檔時確保有指定base URI，而後

使用 abs: 屬性前綴來取得包含base URI的絕對路徑。代碼以下：

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/"

　　說明

在HTML元素中，URLs常常寫成相對於文檔位置的相對路徑： <a href="/download">...</a>. 當你使用 Node.attr(String key) 方法來取得a元素的href屬性時，它將直接返回在HTML源碼中指定定的值。

假如你須要取得一個絕對路徑，須要在屬性名前加 abs: 前綴。這樣就能夠返回包含根路徑的URL地址attr("abs:href")

所以，在解析HTML文檔時，定義base URI很是重要。

若是你不想使用abs: 前綴，還有一個方法可以實現一樣的功能 Node.absUrl(String key)。

10.示例程序: 獲取全部連接

這個示例程序將展現如何從一個URL得到一個頁面。而後提取頁面中的全部連接、圖片和其它輔助內容。並檢查URLs和文本信息。

運行下面程序須要指定一個URLs做爲參數

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 {

// Validate.isTrue(args.length == 1, "usage: supply url to fetch");

String url = "http://news.ycombinator.com/";

print("Fetching %s...", url);

Document doc = Jsoup.connect(url).get();

Elements links = doc.select("a[href]"); //"a[href]" //帶有href屬性的a元素

Elements media = doc.select("[src]"); //利用屬性查找元素，好比：[href]

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));//src.attr("src")結果:<y18.gif> 18x18 ()

//src.attr("abs:src")結果:<https://news.ycombinator.com/y18.gif> 18x18 ()

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;

}

//org/jsoup/examples/ListLinks.java

　　示例輸入結果：

Fetching http://news.ycombinator.com/...

Media: (38)

* img: <http://ycombinator.com/images/y18.gif> 18x18 ()

* img: <http://ycombinator.com/images/s.gif> 10x1 ()

* img: <http://ycombinator.com/images/grayarrow.gif> x ()

* img: <http://ycombinator.com/images/s.gif> 0x10 ()

* script: <http://www.co2stats.com/propres.php?s=1138>

* img: <http://ycombinator.com/images/s.gif> 15x1 ()

* img: <http://ycombinator.com/images/hnsearch.png> x ()

* img: <http://ycombinator.com/images/s.gif> 25x1 ()

* img: <http://mixpanel.com/site_media/images/mixpanel_partner_logo_borderless.gif> x (Analytics by Mixpan.)

Imports: (2)

* link <http://ycombinator.com/news.css> (stylesheet)

* link <http://ycombinator.com/favicon.ico> (shortcut icon)

Links: (141)

* a: <http://ycombinator.com> ()

* a: <http://news.ycombinator.com/news> (Hacker News)

* a: <http://news.ycombinator.com/newest> (new)

* a: <http://news.ycombinator.com/newcomments> (comments)

* a: <http://news.ycombinator.com/leaders> (leaders)

* a: <http://news.ycombinator.com/jobs> (jobs)

* a: <http://news.ycombinator.com/submit> (submit)

* a: <http://news.ycombinator.com/x?fnid=JKhQjfU7gW> (login)

* a: <http://news.ycombinator.com/vote?for=1094578&dir=up&whence=%6e%65%77%73> ()

* a: <http://www.readwriteweb.com/archives/facebook_gets_faster_debuts_homegrown_php_compiler.php?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+readwriteweb+%28ReadWriteWeb%29&utm_content=Twitter> (Facebook speeds up PHP)

* a: <http://news.ycombinator.com/user?id=mcxx> (mcxx)

* a: <http://news.ycombinator.com/item?id=1094578> (9 comments)

* a: <http://news.ycombinator.com/vote?for=1094649&dir=up&whence=%6e%65%77%73> ()

* a: <http://groups.google.com/group/django-developers/msg/a65fbbc8effcd914> ("Tough. Django produces XHTML.")

* a: <http://news.ycombinator.com/user?id=andybak> (andybak)

* a: <http://news.ycombinator.com/item?id=1094649> (3 comments)

* a: <http://news.ycombinator.com/vote?for=1093927&dir=up&whence=%6e%65%77%73> ()

* a: <http://news.ycombinator.com/x?fnid=p2sdPLE7Ce> (More)

* a: <http://news.ycombinator.com/lists> (Lists)

* a: <http://news.ycombinator.com/rss> (RSS)

* a: <http://ycombinator.com/bookmarklet.html> (Bookmarklet)

* a: <http://ycombinator.com/newsguidelines.html> (Guidelines)

* a: <http://ycombinator.com/newsfaq.html> (FAQ)

* a: <http://ycombinator.com/newsnews.html> (News News)

* a: <http://news.ycombinator.com/item?id=363> (Feature Requests)

* a: <http://ycombinator.com> (Y Combinator)

* a: <http://ycombinator.com/w2010.html> (Apply)

* a: <http://ycombinator.com/lib.html> (Library)

* a: <http://www.webmynd.com/html/hackernews.html> ()

* a: <http://mixpanel.com/?from=yc> ()

11.設置屬性的值

問題

在你解析一個Document以後可能想修改其中的某些屬性值，而後再保存到磁盤或都輸出到前臺頁面。

方法

可使用屬性設置方法 Element.attr(String key, String value), 和 Elements.attr(String key, String value).

假如你須要修改一個元素的 class 屬性，可使用 Element.addClass(String className) 和Element.removeClass(String className) 方法。

Elements 提供了批量操做元素屬性和class的方法，好比：要爲div中的每個a元素都添加一個rel="nofollow" 可使用以下方法：

1	`doc.select("div.comments a").attr("rel",` `"nofollow");`

　　說明

與Element中的其它方法同樣，attr 方法也是返回當 Element (或在使用選擇器是返回 Elements 集合)。這樣可以很方便使用方法連用的書寫方式。好比：

1	`doc.select("div.masthead").attr("title",` `"jsoup").addClass("round-box");`

12.設置一個元素的HTML內容

問題

你須要一個元素中的HTML內容

方法

可使用Element中的HTML設置方法具體以下：

Element div = doc.select("div").first(); // <div></div>

div.html("<p>lorem ipsum</p>"); // <div><p>lorem ipsum</p></div>

div.prepend("<p>First</p>");//在div前添加html內容

div.append("<p>Last</p>");//在div以後添加html內容

// 添完後的結果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div>

Element span = doc.select("span").first(); // <span>One</span>

span.wrap("<li><a href='http://example.com/'></a></li>");

// 添完後的結果: <li><a href="http://example.com"><span>One</span></a></li>

　　說明

Element.html(String html) 這個方法將先清除元素中的HTML內容，而後用傳入的HTML代替。
Element.prepend(String first) 和 Element.append(String last) 方法用於在分別在元素內部HTML的前面和後面添加HTML內容
Element.wrap(String around) 對元素包裹一個外部HTML內容。

參見

能夠查看API參考文檔中 Element.prependElement(String tag)和Element.appendElement(String tag) 方法來建立新的元素並做爲文檔的子元素插入其中。

13.設置元素的文本內容

問題

你須要修改一個HTML文檔中的文本內容

方法

可使用Element的設置方法：:

Element div = doc.select("div").first(); // <div></div>

div.text("five > four"); // <div>five > four</div>

div.prepend("First ");

div.append(" Last");

// now: <div>First five > four Last</div>

　　說明

文本設置方法與 HTML setter 方法同樣：

Element.text(String text) 將清除一個元素中的內部HTML內容，而後提供的文本進行代替
Element.prepend(String first) 和 Element.append(String last) 將分別在元素的內部html先後添加文本節點。

對於傳入的文本若是含有像 <, > 等這樣的字符，將以文本處理，而非HTML。

14.消除不受信任的HTML (來防止XSS攻擊)

問題

在作網站的時候，常常會提供用戶評論的功能。有些不懷好意的用戶，會搞一些腳本到評論內容中，而這些腳本可能會破壞整個頁面的行爲，更嚴重的是獲取一些機要信息，此時須要清理該HTML，以免跨站腳本cross-site scripting攻擊（XSS）。

方法

使用jsoup HTML Cleaner 方法進行清除，但須要指定一個可配置的 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>

　　說明

XSS又叫CSS (Cross Site Script) ，跨站腳本攻擊。它指的是惡意攻擊者往Web頁面裏插入惡意html代碼，當用戶瀏覽該頁之時，嵌入其中Web裏面的html代碼會被執行，從而達到惡意攻擊用戶的特殊目的。XSS屬於被動式的攻擊，由於其被動且很差利用，因此許多人常忽略其危害性。因此咱們常常只讓用戶輸入純文本的內容，但這樣用戶體驗就比較差了。

一個更好的解決方法就是使用一個富文本編輯器WYSIWYG如CKEditor 和 TinyMCE。這些能夠輸出HTML並可以讓用戶可視化編輯。雖然他們能夠在客戶端進行校驗，可是這樣還不夠安全，須要在服務器端進行校驗並清除有害的HTML代碼，這樣才能確保輸入到你網站的HTML是安全的。不然，攻擊者可以繞過客戶端的Javascript驗證，並注入不安全的HMTL直接進入您的網站。

jsoup的whitelist清理器可以在服務器端對用戶輸入的HTML進行過濾，只輸出一些安全的標籤和屬性。

jsoup提供了一系列的Whitelist基本配置，可以知足大多數要求；但若有必要，也能夠進行修改，不過要當心。

這個cleaner很是好用不只能夠避免XSS攻擊，還能夠限制用戶能夠輸入的標籤範圍。