位置: IT常识 - 正文

jsoup的使用(jsoup js)

编辑：rootadmin

jsoup的使用

推荐整理分享jsoup的使用(jsoup js)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:jsoup方法,jscope使用方法,jscope使用方法,jsoup api,jsoup使用教程,Jsoup的使用,Jsoup的使用,Jsoup的使用,内容如对您有帮助，希望把文章链接给更多的朋友！

本文在写作过程中参考了官方文档，传送门。

一、jsoup概述

jsoup 是一款基于 Java 的HTML解析器，它提供了一套非常省力的API，不但能直接解析某个URL地址、HTML文本内容，而且还能通过类似于DOM、CSS或者jQuery的方法来操作数据，所以 jsoup 也可以被当做爬虫工具使用。

二、相关概念简介Document ：文档对象。每份HTML页面都是一个文档对象，Document 是 jsoup 体系中最顶层的结构。Element：元素对象。一个 Document 中可以着包含着多个 Element 对象，可以使用 Element 对象来遍历节点提取数据或者直接操作HTML。Elements：元素对象集合，类似于List<Element>。Node：节点对象。标签名称、属性等都是节点对象，节点对象用来存储数据。类继承关系：Document 继承自 Element ，Element 继承自 Node。一般执行流程：先获取 Document 对象，然后获取 Element 对象，最后再通过 Node 对象获取数据。三、获取文档（Document）

获得文档对象 Document 一共有4种方法，分别对应不同的获取方式。

正式开始之前，我们需要导入有关 jar 包。

<dependency> <groupId>org.jsoup</groupId> <artifactId>jsoup</artifactId> <version>1.15.1</version></dependency>

–

3.1）从URL中加载文档对象（常用）

使用 Jsoup.connect(String url).get()方法获取（只支持 http 和 https 协议）:

Document doc = Jsoup.connect("http://csdn.com/").get();String title = doc.title();System.out.println(title);

connect(String url)方法创建一个新的 Connection并通过.get()或者.post()方法获得数据。如果从该URL获取HTML时发生错误，便会抛出 IOException，应适当处理。

Connection 接口还提供一个方法链来解决特殊请求，我们可以在发送请求时带上请求的头部参数，具体如下：

Document doc = Jsoup.connect("http://csdn.com") .data("query", "Java") .userAgent("Mozilla") .cookie("auth", "token") .timeout(8000) .post(); System.out.println(doc);

想获得完整的响应对象和响应码？我们可以使用execute()方法：

// 获得响应对象Connection.Response response = Jsoup.connect("http://csdn.com").execute();int code = response.statusCode();// 输出状态码：200System.out.println(code);

–

3.2）从本地文件中加载文档对象

可以使用静态的Jsoup.parse(File in, String charsetName) 方法从文件中加载文档。其中in表示路径，charsetName表示编码方式，示例代码：

File input = new File("/tmp/input.html");Document doc = Jsoup.parse(input, "UTF-8");System.out.println(doc);

–

3.3）从字符串文本中加载文档对象

使用静态的Jsoup.parse(String html) 方法可以从字符串文本中获得文档对象 Document ，示例代码：

String html = "<html><head><title>First parse</title></head>" + "<body>Parsed HTML into a doc.</body></html>";Document doc = Jsoup.parse(html);System.out.println(doc);

–

3.4）从<body>片断中获取文档对象

使用Jsoup.parseBodyFragment(String html)方法.

String html = "Lorem ipsum.";Document doc = Jsoup.parseBodyFragment(html);// doc 此时为：<body> Lorem ipsum.</body>Element body = doc.body();System.out.println(body);

parseBodyFragment 方法创建一个新的文档，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，通常也能得到相同的结果，但是明确将用户输入作为 body 片段处理是个更好的方式。

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。

四、选择元素（Element）

解析文档对象并获取数据一共有 2 种方式，分别为 DOM方式、CSS选择器方式，我们可以选择一种自己喜欢的方式去获取数据，效果一样。

4.1）DOM方式

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。

// 获取csdn首页所有的链接Document doc = Jsoup.connect("http://csdn.com").get();Elements elements = doc.getElementsByTag("body");Elements contents = elements.first().getElementsByTag("a");for (Element content : contents) { String linkHref = content.attr("href"); String linkText = content.text(); System.out.print(linkText+"\t"); System.out.println(linkHref);}

说明

Elements这个对象提供了一系列类似于DOM的方法来查找元素，抽取并处理其中的数据。具体如下：

4.1.1）查找元素

getElementById(String id)：通过id来查找元素getElementsByTag(String tag)：通过标签来查找元素getElementsByClass(String className)：通过类选择器来查找元素getElementsByAttribute(String key) ：通过属性名称来查找元素，例如查找带有href元素的标签。siblingElements()：获取兄弟元素。如果元素没有兄弟元素，则返回一个空列表。firstElementSibling()：获取第一个兄弟元素。lastElementSibling()：获取最后一个兄弟元素。nextElementSibling()：获取下一个兄弟元素。previousElementSibling()：获取上一个兄弟元素。parent()：获取此节点的父节点。children()：获取此节点的所有子节点。child(int index)：获取此节点的指定子节点。

4.1.2）获取元素数据

attr(String key)：获取单个属性值attributes()：获取所有属性值attr(String key, String value)：设置属性值text()：获取文本内容text(String value)：设置文本内容html()：获取元素内的HTML内容html(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)id()：获得id值（例：衣服）className()：获得第一个类选择器值classNames()：获得所有的类选择器值tag()：获取元素标签tagName()：获取元素标签名（如：、<div>等）

4.1.3）操作HTML文本

append(String html)：在末尾追加HTML文本prepend(String html)：在开头追加HTML文本html(String value)：在匹配元素内部添加HTML文本。

–

4.2）CSS选择器方式

可以使用类似于CSS选择器的语法来查找和操作元素，常用的方法为select(String selector)。

Document doc = Jsoup.connect("http://csdn.com").get();// 获取带有 href 属性的 a 元素Elements elements = doc.select("a[href]");for (Element content : elements) { String linkHref = content.attr("href"); String linkText = content.text(); System.out.print(linkText + "\t"); System.out.println(linkHref);} jsoup的使用(jsoup js)

4.2.1）说明

select()方法在Document、Element或Elements对象中都可以使用，而且是上下文相关的，因此可实现指定元素的过滤，或者采用链式访问。

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。

4.2.2）select(String selector)方法参数简介

tagname: 通过标签查找元素，例如通过"a"来查找<a>标签。#id: 通过ID查找元素，比如通过#logo查找。.class: 通过class名称查找元素，比如通过.titile查找。ns|tag: 通过标签在命名空间查找元素，比如使用 fb|name 来查找 <fb:name> 。[attribute]: 利用属性查找元素，比如通过[href]查找<a href="...">。[^attribute]: 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。[attribute=value]: 利用属性值来查找元素，比如：[width=500]。[attribute^=value], [attribute$=value], [attribute*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如通过[href*=/path/]来查找<a href="a/path/c.html">。[attribute~=regex]: 利用属性值匹配正则表达式来查找元素，比如通过 img[src~=(?i)\.(png|jpe?g)]来匹配所有的png或者jpg、jpeg格式的图片。*: 通配符，匹配所有元素。

4.2.3）参数属性组合使用

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]匹配所有带有 href 属性的 a 元素。任意组合，比如：a[href].highlight匹配所有带有 href 属性且class="highlight"的 a 元素。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

4.2.4）特殊参数：伪选择器

: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等五、获取数据（Node）

在获得文档对象并且指定查找元素后，我们就可以获取元素中的数据。这些访问器方法都有相应的setter方法来更改数据。

.attr(String key) ：获得属性的值。.text()：获得元素中的文本。.html()：获得元素或属性内部的HTML内容（不包括本身）。.outerHtml()：获得元素或属性完整的HTML内容。.id()：获得元素id属性值。className()：获得元素类选择器值。.tagName()：获得元素标签命名。.hasClass(String className)：检查这个元素是否含有一个类选择器（不区分大小写）。String html = "<a href='http://csdn.com/'>example</a> link.";Document doc = Jsoup.parse(html);// 查找第一个<a>元素Element link = doc.select("a").first();// 输出：exampleString text = link.text();// 输出：http://csdn.com/String href = link.attr("href");// 输出：exampleString aHtml = link.outerHtml();// 输出：<a href='http://csdn.com/'>example</a>String aOuterHtml = link.outerHtml();

–

六、修改数据

在解析了一个Document对象之后，你可能想修改其中的某些属性值，并把它输出到前台页面或保存到其他地方，jsoup对此提供了一套非常简便的接口（支持链式写法）。

6.1）设置属性的值

当以下方法针对Element对象操作时，只有一个元素会受到影响。当针对Elements对象进行操作时，可能会影响到多个元素。

.attr(String key, String value)：设置标签的属性值。.addClass(String className)：增加类选择器选项.removeClass(String className)：删除对应的类选择器Document doc = Jsoup.connect("http://csdn.com").get();// 复数，ElementsElements elements = doc.getElementsByClass("text");// 单数，ElementElement element = elements.first();// 复数对象，所有 class="text" 的元素都将受到影响elements.attr("name","goods");// 单数对象，只有一个元素会受到影响（链式写法）element.attr("name","shop") .addClass("red");6.2）修改元素的HTML内容

可以使用Element中的HTML设置方法具体如下：

.html(String value)：这个方法将先清除元素中的HTML内容，然后用传入的HTML代替。.prepend(String value)：在元素前添加html内容。.append(String value)：在元素后添加html内容。.wrap(String value)：对元素包裹一个外部HTML内容，将元素置于新增的内容中间。Document doc = Jsoup.connect("http://csdn.com").get();Element div = doc.select("div").first();div.html("csdn");div.prepend("a");div.append("good");// 输出：<div"> a csdn good </div>Element span = doc.select("span").first();span.wrap("<li><a href='...'></a></li>");// 输出: <li><a href="..."> csdn </a></li>6.3）修改元素的文本内容

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。

.text(String text) ：清除元素内部的HTML内容，然后用提供的文本代替。.prepend(String first)：在元素后添加文本节点。Element.append(String last)：在元素前添加文本节点。 // <div></div>Element div = doc.select("div").first();div.text(" one "); div.prepend(" two ");div.append(" three ");// 输出: <div> two one three </div>七、其他功能6.1）相对路径转绝对路径

问题描述：你有一个包含相对URLs路径的HTML文档，现在需要将这些相对路径转换成绝对路径的URLs。

解决方式：

确保在你解析文档时有指定base URI路径。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();// 输出：/String relHref = link.attr("href");// 输出：http://www.open-open.com/String absHref = link.attr("abs:href");

说明：

在HTML元素中，URLs经常写成相对于文档位置的相对路径，如：<a href="/download">...</a>。当你使用 .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 .absUrl(String key)。

–

6.2）消除不受信任的HTML (防止XSS攻击)

问题描述：

在某些网站中经常会提供用户评论的功能，但是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，以避免跨站脚本攻击（XSS）。

解决方式：使用clean()方法清除恶意代码，但需要指定一个配置的 Safelist（旧版本中是Whitelist），通常使用Safelist.basic()即可。Safelist的工作原理是将输入的 HTML 内容单独隔离解析，然后遍历解析树，只允许已知的安全标签和属性输出。

String unsafe = "<a href='http://csdn.com/' οnclick='attack()'>Link</a>";// 输出: <a href="http://csdn.com/" >Link</a>String safe = Jsoup.clean(unsafe, Safelist.basic());System.out.println(safe);

说明：

jsoup的Safelist不仅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，还可以限制用户可以输入的标签范围。6.2）消除不受信任的HTML (防止XSS攻击)

问题描述：

说明：

jsoup的Safelist不仅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，还可以限制用户可以输入的标签范围。

–

6.3）jsoup使用代理Connection.Response execute = Jsoup.connect("http://csdn.net/") .proxy("12.12.12.12", 1080)// 使用代理 .execute();

如果你读完觉得有收获，不妨点个赞~

本文链接地址:https://www.jiuchutong.com/zhishi/298942.html 转载请保留说明！

上一篇：毕业设计-基于微信小程序的校园二手闲置物品交易系统(毕业设计-基于组态软件的流量比值过程控制系统设计)

下一篇：深度学习中的FPN详解