HTML是WEB的核心，互聯網中你看到的全部頁面都是HTML，無論它們是由JavaScript，JSP，PHP,ASP或者是別的什麼WEB技術動態生成的。你的瀏覽器會去解析HTML並替你去渲染它們。不過若是你須要本身在Java程序中解析HTML文檔並查找某些元素，標籤，屬性或者檢查某個特定的元素是否存在的話，那又該如何呢？若是你已經使用Java編程多年了，我相信你確定試過去解析XML，也使用過相似DOM或者SAX這樣的解析器，不過頗有可能你從未進行過任何的HTML解析的工做。更諷刺的是，在Java應用中，不多會有須要你去解析HTML文檔的時候，這裏並不包括Servlet或者其它的Java WEB技術。更糟糕的是，JDK核內心也沒有包括HTTP或者HTML的庫，至少我並不知道有這個。這就是爲何一碰上解析HTML文件時，許多Java程序員就得先Google一下 ，看看如何在Java中取出一個HTML的標籤。當我有這個須要的時候，我相信確定會有一些開源庫能實現這個，不過我沒有想到居然有JSoup這麼酷的而且功能齊全的庫。它不只能支持讀取並解析HTML文檔，並且還能讓你從HTML文件抽取出任何的元素，以及它們的屬性，它們的CSS屬性，你還能進它們進行修改。有了JSoup你簡直能夠對HTML文檔作任何事情。咱們將會看到如何在Java中從google主頁或者任何URL中下載並解析HTML文件的示例。css
JSoup庫是什麼html
Jsoup是一個開源的Java庫，它能夠用於處理實際應用中的HTML。它提供了很是便利的API來進行數據的提取及修改，充分利用了DOM，CSS以及jquery風格方法的長處。Jsoup實現了WAHTWG HTML5的規範，它從HTML解析出來的DOM和Chrome以及Firefox這樣的現代瀏覽器解析出來的徹底一致。下面是Jsoup庫的一些有用的特性：java
1.Jsoup能夠從URL，文件，或者字符串中獲取並解析HTML。
2.Jsoup能夠查找並提取數據，可使用DOM遍歷或者CSS選擇器。
3.你可使用Jsoup來修改HTML元素，屬性以及文本。
4.Jsoup經過一個安全的白名單確保了用戶提交的內容是乾淨的，以防止XSS攻擊。
5.Jsoup還能輸出整潔的HTML。node
Jsoup的設計初衷是用於處理現實生活中出現的各類不一樣的HTML，包括正確有效的HTML以及不完整的無效的標籤集合。Jsoup的一個核心競爭力就是它的健壯性。jquery
在Java中使用Jsoup進行HTML解析程序員
在這篇Java HTML解析的教程中，咱們會看到在Java中使用Jsoup解析及遍歷HTML的三個不一樣的示例。第一個例子中，咱們會解析一個HTML字符串，它的內容就是Java中的字符串字面量組成的標籤。第二個例子中，咱們會從WEB中下載HTML文檔，而第三個例子中，咱們會加載一個HTML示例文件login.html來進行解析。這個文件是一個HTML文檔的示例，它包含title標籤,body裏面有一個div標籤，裏面包含一個表單。它擁有input標籤來用於獲取用戶名及密碼，同時還有提交及重置的按鈕用來進行下一步操做。它是一個正確有效的HTML，也就是說，全部的標籤和屬性都是正確地閉合的。下面是咱們這個HTML的示例文件：編程
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=ISO-8859-1">
<title>Login Page</title>
</head>
<body>
<div id="login" class="simple" >
<form action="login.do">
Username : <input id="username" type="text" /><br>
Password : <input id="password" type="password" /><br>
<input id="submit" type="submit" />
<input id="reset" type="reset" />
</form>
</div>
</body>
</html>
使用Jsoup來解析HTML很是簡單，你只需調用它的靜態方法Jsoup.parse()並傳入你的HTML字符串給它就能夠了。Jsoup提供了多個重載的parse()方法，它能夠從字符串，文件，URI，URL，甚至InputStream中讀取HTML文件。若是不是UTF-8編碼的話，你還能夠指定字符編碼，這樣能夠正確地讀取HTML文件。下面是Jsoup庫中HTML解析方法的一個完整的列表。parse(String html)方法將輸入的HTML解析成一個新的Document。在Jsoup裏，Document繼承了Element，而它又繼承自Node。一樣的TextNode也繼承自Node。只要你傳入的是一個不爲null的字符串，你就確定能獲取到一個成功的有意義的解析，獲得一個包含head和body元素的Document。一旦你拿到這個Document，你就能夠調用Document以及它的父類Element和Node上面的適當的方法來獲取到你想要的數據了。瀏覽器
解析HTML文檔的Java程序安全
下面是一個解析HTML字符串，網絡上下載的HTML文件，以及本地文件系統中的HTML文件的完整的Java程序。你可使用Eclipse IDE或者別的IDE甚至命令來運行這個程序。在Eclipse裏面則很簡單，拷貝這份代碼，新建一個Java工程，在src包上右鍵並粘貼進去就能夠了。Eclipse會去建立正確的包及同名的Java源文件的，所以工做量最小。若是你已經有一個Java示例工程了，那麼僅需一步就能夠了。下面的這個Java程序展現瞭解析及遍歷HTML文件的三個不一樣例子。第一個例子中，咱們直接解析了一個內容爲HTML的字符串，第二個例子中咱們解析了一個從URL中下載的HTML文件，第三個中咱們從本地文件系統中加載了一個HTML文檔並進行解析。第一和第三個例子中都用到了parse方法來獲取一個Document對象，你能夠查詢它來提取出任何的標籤值或者屬性值。第二個例子中，咱們用到了Jsoup.connect方法，它會去建立URL的鏈接，下載HTML並進行解析。這個方法也會返回Document，它能夠用於後續的查詢及獲取標籤或者屬性的值。網絡
import java.io.IOException;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
/**
[*] Java Program to parse/read HTML documents from File using Jsoup library.
[*] Jsoup is an open source library which allows Java developer to parse HTML
[*] files and extract elements, manipulate data, change style using DOM, CSS and
[*] JQuery like method.
[*]
[*] @author Javin Paul
[*]/
public class HTMLParser{
public static void main(String args[]) {
// Parse HTML String using JSoup library
String HTMLSTring = "<!DOCTYPE html>"
+ "<html>"
+ "<head>"
+ "<title>JSoup Example</title>"
+ "</head>"
+ "<body>"
+ "|[b]HelloWorld[/b]"
+ ""
+ "</body>"
+ "</html>";
Document html = Jsoup.parse(HTMLSTring);
String title = html.title();
String h1 = html.body().getElementsByTag("h1").text();
System.out.println("Input HTML String to JSoup :" + HTMLSTring);
System.out.println("After parsing, Title : " + title);
System.out.println("Afte parsing, Heading : " + h1);
// JSoup Example 2 - Reading HTML page from URL
Document doc;
try {
doc = Jsoup.connect("http://google.com/").get();
title = doc.title();
} catch (IOException e) {
e.printStackTrace();
}
System.out.println("Jsoup Can read HTML page from URL, title : " + title);
// JSoup Example 3 - Parsing an HTML file in Java
//Document htmlFile = Jsoup.parse("login.html", "ISO-8859-1"); // wrong
Document htmlFile = null;
try {
htmlFile = Jsoup.parse(new File("login.html"), "ISO-8859-1");
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
} // right
title = htmlFile.title();
Element div = htmlFile.getElementById("login");
String cssClass = div.className(); // getting class form HTML element
System.out.println("Jsoup can also parse HTML file directly");
System.out.println("title : " + title);
System.out.println("class of div tag : " + cssClass);
}
}
輸出：
Input HTML String to JSoup :<!DOCTYPE html><html><head><title>JSoup Example</title></head><body><table><tr><td><h1>HelloWorld</h1></tr></table></body></html>
After parsing, Title : JSoup Example
Afte parsing, Heading : HelloWorld
Jsoup Can read HTML page from URL, title : Google
Jsoup can also parse HTML file directly title : Login Page
class of div tag : simple
Jsoup的好處就是它的健壯性很強。Jsoup HTML解析器會對你提供的HTML進行儘可能乾淨的解析，而不去考慮這個HTML是不是格式良好的。它能夠處理以下這些錯誤：未閉合的標籤（好比，Java <p>Scala to <p>JavaScala)，隱式標籤（好比，一個裸的|Java is Great被封裝到了|裏面），它總能建立出一個文檔結構（包含head及body的HTML，而且head裏只會包含正確的元素）。這就是在Java中如何進行HTML的解析。Jsoup是一個優秀的健壯的開源庫，它使得讀取HTML文檔，body片斷，HTML字符串，以及直接從WEB中解析HTML內容都變得至關簡單。在這篇文章中，咱們學習瞭如何在Java中獲取一個特定的HTML標籤，正如第一個例子中咱們將title及H1標籤的值提取成了文本，而第三個例子中咱們學習到了如何經過提取CSS屬性來從HTML標籤中獲取屬性值。除了強大的jQuery風格的html.body().getElementsByTag("h1").text()方法，你還能夠提取任意的HTML標籤，它還提供了像Document.title()和Element.className()這樣便捷的方法，你能夠快速獲取到標題及CSS類。但願JSoup能讓你玩得愉快，很快咱們將會看到關於這個API的更多的一些例子。
如對本文有疑問，請提交到交流社區，廣大熱心網友會爲你解答！！ 點擊進入社區
轉載自：http://www.jb51.net/article/55620.htm