亚洲免费在线-亚洲免费在线播放-亚洲免费在线观看-亚洲免费在线观看视频-亚洲免费在线看-亚洲免费在线视频

使用 jsoup 對 HTML 文檔進行解析和操作

系統 1902 0

jsoup 簡介

Java 程序在解析 HTML 文檔時,相信大家都接觸過 htmlparser 這個開源項目,我曾經在 IBM DW 上發表過兩篇關于 htmlparser 的文章,分別是: 從 HTML 中攫取你所需的信息 擴展 HTMLParser 對自定義標簽的處理能力 。但現在我已經不再使用 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,可直接解析某個 URL 地址、HTML 文本內容。它提供了一套非常省力的 API,可通過 DOM,CSS 以及類似于 jQuery 的操作方法來取出和操作數據。

jsoup 的主要功能如下:

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. 可操作 HTML 元素、屬性、文本;

jsoup 是基于 MIT 協議發布的,可放心使用于商業項目。

jsoup 的主要類層次結構如圖 1 所示:


圖 1. jsoup 的類層次結構
使用 jsoup 對 HTML 文檔進行解析和操作

接下來我們專門針對幾種常見的應用場景舉例說明 jsoup 是如何優雅的進行 HTML 文檔處理的。


文檔輸入

jsoup 可以從包括字符串、URL 地址以及本地文件來加載 HTML 文檔,并生成 Document 對象實例。

下面是相關代碼:


清單 1

            				 
 // 直接從字符串中輸入 HTML 文檔
 String html = "<html><head><title> 開源中國社區 </title></head>"
  + "<body><p> 這里是 jsoup 項目的相關文章 </p></body></html>"; 
 Document doc = Jsoup.parse(html); 

 // 從 URL 直接加載 HTML 文檔
 Document doc = Jsoup.connect("http://www.oschina.net/").get(); 
 String title = doc.title(); 

 Document doc = Jsoup.connect("http://www.oschina.net/") 
  .data("query", "Java")   // 請求參數
  .userAgent("I ’ m jsoup") // 設置 User-Agent 
  .cookie("auth", "token") // 設置 cookie 
  .timeout(3000)           // 設置連接超時時間
  .post();                 // 使用 POST 方法訪問 URL 

 // 從文件中加載 HTML 文檔
 File input = new File("D:/test.html"); 
 Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/"); 

          

?

請大家注意最后一種 HTML 文檔輸入方式中的 parse 的第三個參數,為什么需要在這里指定一個網址呢(雖然可以不指定,如第一種方法)?因為 HTML 文檔中會有很多例如鏈接、圖片以及所引用的外部腳本、css 文件等,而第三個名為 baseURL 的參數的意思就是當 HTML 文檔使用相對路徑方式引用外部文件時,jsoup 會自動為這些 URL 加上一個前綴,也就是這個 baseURL。

例如 <a href=/project> 開源軟件 </a> 會被轉換成 <a href=http://www.oschina.net/project> 開源軟件 </a>。


解析并提取 HTML 元素

這部分涉及一個 HTML 解析器最基本的功能,但 jsoup 使用一種有別于其他開源項目的方式——選擇器,我們將在最后一部分詳細介紹 jsoup 選擇器,本節中你將看到 jsoup 是如何用最簡單的代碼實現。

不過 jsoup 也提供了傳統的 DOM 方式的元素解析,看看下面的代碼:


清單 2.

            				 
 File input = 
            
              new
            
             File("D:/test.html"); 
 Document doc = Jsoup.parse(input, "UTF-8", "http://www.oschina.net/"); 

 Element content = doc.getElementById("content"); 
 Elements links = content.getElementsByTag("a"); 
 
            
              for
            
             (Element link : links) { 
  String linkHref = link.attr("href"); 
  String linkText = link.text(); 
 } 

          

?

你可能會覺得 jsoup 的方法似曾相識,沒錯,像 getElementById 和 getElementsByTag 方法跟 JavaScript 的方法名稱是一樣的,功能也完全一致。你可以根據節點名稱或者是 HTML 元素的 id 來獲取對應的元素或者元素列表。

與 htmlparser 項目不同的是,jsoup 并沒有為 HTML 元素定義一個對應的類,一般一個 HTML 元素的組成部分包括:節點名、屬性和文本,jsoup 提供簡單的方法供你自己檢索這些數據,這也是 jsoup 保持瘦身的原因。

而在元素檢索方面,jsoup 的選擇器簡直無所不能,


清單 3.

            				 
 File input = 
            
              new
            
             File("D:\test.html"); 
 Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/"); 

 Elements links = doc.select("a[href]"); // 具有 href 屬性的鏈接
 Elements pngs = doc.select("img[src$=.png]");// 所有引用 png 圖片的元素


 Element masthead = doc.select("div.masthead").first(); 
 // 找出定義了 class=masthead 的元素

 Elements resultLinks = doc.select("h3.r > a"); // direct a after h3 

          

?

這是 jsoup 真正讓我折服的地方,jsoup 使用跟 jQuery 一模一樣的選擇器對元素進行檢索,以上的檢索方法如果換成是其他的 HTML 解釋器,至少都需要很多行代碼,而 jsoup 只需要一行代碼即可完成。

jsoup 的選擇器還支持表達式功能,我們將在最后一節介紹這個超強的選擇器。


修改數據

在解析文檔的同時,我們可能會需要對文檔中的某些元素進行修改,例如我們可以為文檔中的所有圖片增加可點擊鏈接、修改鏈接地址或者是修改文本等。

下面是一些簡單的例子:


清單 4.

            				 
 doc.select("div.comments a").attr("rel", "nofollow"); 
 // 為所有鏈接增加 rel=nofollow 屬性
 doc.select("div.comments a").addClass("mylinkclass"); 
 // 為所有鏈接增加 class=mylinkclass 屬性
 doc.select("img").removeAttr("onclick"); // 刪除所有圖片的 onclick 屬性
 doc.select("input[type=text]").val(""); // 清空所有文本輸入框中的文本

          

?

道理很簡單,你只需要利用 jsoup 的選擇器找出元素,然后就可以通過以上的方法來進行修改,除了無法修改標簽名外(可以刪除后再插入新的元素),包括元素的屬性和文本都可以修改。

修改完直接調用 Element(s) 的 html() 方法就可以獲取修改完的 HTML 文檔。


HTML 文檔清理

jsoup 在提供強大的 API 同時,人性化方面也做得非常好。在做網站的時候,經常會提供用戶評論的功能。有些用戶比較淘氣,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為,更嚴重的是獲取一些機要信息,例如 XSS 跨站點攻擊之類的。

jsoup 對這方面的支持非常強大,使用非常簡單。看看下面這段代碼:


清單 5.

            				 
 String unsafe = "<p><a  onclick='stealCookies()'> 
 開源中國社區 </a></p>"; 
 String safe = Jsoup.clean(unsafe, Whitelist.basic()); 
 // 輸出 : 
 // <p><a  rel="nofollow"> 開源中國社區 </a></p> 

          

?

jsoup 使用一個 Whitelist 類用來對 HTML 文檔進行過濾,該類提供幾個常用方法:


表 1. 常用方法:

方法名 簡介
none() 只允許包含文本信息
basic() 允許的標簽包括:a, b, blockquote, br, cite, code, dd, dl, dt, em, i, li, ol, p, pre, q, small, strike, strong, sub, sup, u, ul, 以及合適的屬性
simpleText() 只允許 b, em, i, strong, u 這些標簽
basicWithImages() 在 basic() 的基礎上增加了圖片
relaxed() 這個過濾器允許的標簽最多,包括:a, b, blockquote, br, caption, cite, code, col, colgroup, dd, dl, dt, em, h1, h2, h3, h4, h5, h6, i, img, li, ol, p, pre, q, small, strike, strong, sub, sup, table, tbody, td, tfoot, th, thead, tr, u, ul

?

如果這五個過濾器都無法滿足你的要求呢,例如你允許用戶插入 flash 動畫,沒關系,Whitelist 提供擴展功能,例如 whitelist.addTags("embed","object","param","span","div"); 也可調用 addAttributes 為某些元素增加屬性。


jsoup 的過人之處——選擇器

前面我們已經簡單的介紹了 jsoup 是如何使用選擇器來對元素進行檢索的。本節我們把重點放在選擇器本身強大的語法上。下表是 jsoup 選擇器的所有語法詳細列表。


表 2. 基本用法:

tagname 使用標簽名來定位,例如 a
ns|tag 使用命名空間的標簽定位,例如 fb:name 來查找 <fb:name> 元素
#id 使用元素 id 定位,例如 #logo
.class 使用元素的 class 屬性定位,例如 .head
[attribute] 使用元素的屬性進行定位,例如 [href] 表示檢索具有 href 屬性的所有元素
[^attr] 使用元素的屬性名前綴進行定位,例如 [^data-] 用來查找 HTML5 的 dataset 屬性
[attr=value] 使用屬性值進行定位,例如 [width=500] 定位所有 width 屬性值為 500 的元素
[attr^=value], [attr$=value], [attr*=value] 這三個語法分別代表,屬性以 value 開頭、結尾以及包含
[attr~=regex] 使用正則表達式進行屬性值的過濾,例如 img[src~=(?i)\.(png|jpe?g)]
* 定位所有元素

?

以上是最基本的選擇器語法,這些語法也可以組合起來使用,下面是 jsoup 支持的組合用法:


表 3:組合用法:

el#id 定位 id 值某個元素,例如 a#logo -> <a id=logo href= … >
el.class 定位 class 為指定值的元素,例如 div.head -> <div class=head>xxxx</div>
el[attr] 定位所有定義了某屬性的元素,例如 a[href]
以上三個任意組合 例如 a[href]#logo 、a[name].outerlink
ancestor child 這五種都是元素之間組合關系的選擇器語法,其中包括父子關系、合并關系和層次關系。
parent > child
siblingA + siblingB
siblingA ~ siblingX
el, el, el

?

除了一些基本的語法以及這些語法進行組合外,jsoup 還支持使用表達式進行元素過濾選擇。下面是 jsoup 支持的所有表達式一覽表:


表 4. 表達式:

:lt(n) 例如 td:lt(3) 表示 小于三列
:gt(n) div p:gt(2) 表示 div 中包含 2 個以上的 p
:eq(n) form input:eq(1) 表示只包含一個 input 的表單
:has(seletor) div:has(p) 表示包含了 p 元素的 div
:not(selector) div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text) 包含某文本的元素,不區分大小寫,例如 p:contains(oschina)
:containsOwn(text) 文本信息完全等于指定條件的過濾
:matches(regex) 使用正則表達式進行文本過濾:div:matches((?i)login)
:matchesOwn(regex) 使用正則表達式找到自身的文本

?


總結

jsoup 的基本功能到這里就介紹完畢,但由于 jsoup 良好的可擴展性 API 設計,你可以通過選擇器的定義來開發出非常強大的 HTML 解析功能。再加上 jsoup 項目本身的開發也非常活躍,因此如果你正在使用 Java ,需要對 HTML 進行處理,不妨試試。

使用 jsoup 對 HTML 文檔進行解析和操作


更多文章、技術交流、商務合作、聯系博主

微信掃碼或搜索:z360901061

微信掃一掃加我為好友

QQ號聯系: 360901061

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。

【本文對您有幫助就好】

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描上面二維碼支持博主2元、5元、10元、自定義金額等您想捐的金額吧,站長會非常 感謝您的哦!!!

發表我的評論
最新評論 總共0條評論
主站蜘蛛池模板: 午夜精品久久久久久久爽 | 日本中文在线观看 | 午夜私人影院粉色视频我要 | 老妇激情毛片免费 | 奇米777视频国产 | 在线播放亚洲精品富二代91 | 狠狠色丁香久久综合五月 | 亚洲黄色成人 | 日韩视频一区二区在线观看 | 久久91精品综合国产首页 | 亚洲国产高清美女在线观看 | 天天色色网| 成人毛片18岁女人毛片免费看 | 日韩欧美亚洲综合一区二区 | 亚洲热热久久九九精品 | 午夜视频在线观看网站 | 国内精品久久久久久 | 亚洲精品乱码久久久久 | 国产精品亚洲专一区二区三区 | 国产精品一国产精品 | 波多野结衣久久 | 日本色综合| 中文字幕国产综合 | 中文字幕三级久久久久久 | 久在草影院 | 亚洲国产二区三区 | 五月激情综合 | 一区二区视频在线播放 | 91这里只有精品 | 国产精品久久视频 | 欧美亚洲精品小说一区二三区 | 青草五月天 | 欧美一区二区三区黄色 | 一本一道久久 | 免费 高清 日本1在线观看 | 国产精品免费视频播放 | 国产欧美中文字幕 | 激情五月五月婷婷 | 国产va免费高清在线观看 | 欧美亚洲欧美 | 久久久久久综合七次郎 |