Jsoup解析Html中文文档
2016-10-27 11:29
274 查看
<span style="font-family: "Helvetica Neue", Helvetica, Verdana, Arial, sans-serif; font-size: 14px; line-height: 23.8px;">转发请注明出处:http://www.cnblogs.com/jycboy/p/jsoupdoc.html</span>
soup 简介
Java 程序在解析 HTML 文档时,相信大家都接触过 htmlparser 这个开源项目,我曾经在 IBM DW 上发表过两篇关于 htmlparser 的文章,分别是:从 HTML 中攫取你所需的信息和 扩展 HTMLParser 对自定义标签的处理能力。但现在我已经不再使用 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,可直接解析某个 URL 地址、HTML 文本内容。它提供了一套非常省力的 API,可通过 DOM,CSS 以及类似于 jQuery 的操作方法来取出和操作数据。
jsoup 的主要功能如下:
1. 从一个 URL,文件或字符串中解析 HTML;
2. 使用 DOM 或 CSS 选择器来查找、取出数据;
3. 可操作 HTML 元素、属性、文本;
官网地址:http://www.open-open.com/jsoup/
jsoup Cookbook(中文版)
入门
1.解析和遍历一个html文档输入
2.解析一个html字符串3.解析一个body片断
4.根据一个url加载Document对象
5.根据一个文件加载Document对象
数据抽取
6.使用dom方法来遍历一个Document对象7.使用选择器语法来查找元素
8.从元素集合抽取属性、文本和html内容
9.URL处理
10.程序示例:获取所有链接
数据修改
11.设置属性值12.设置元素的html内容
13.设置元素的文本内容
html清理
14.消除不受信任的html (来防止xss攻击)1.解析和遍历一个HTML文档
如何解析一个HTML文档:String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>"; Document doc = Jsoup.parse(html);
(更详细内容可查看 解析一个HTML字符串.)
其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果,无论HTML的格式是否完整。比如它可以处理:
没有关闭的标签 (比如: <p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>)
隐式标签 (比如. 它可以自动将 <td>Table data</td>包装成<table><tr><td>?)
创建可靠的文档结构(html标签包含head 和 body,在head只出现恰当的元素)
一个文档的对象模型
文档由多个Elements和TextNodes组成 (以及其它辅助nodes:详细可查看:nodes
package tree).
其继承结构如下:Document继承Element继承Node. TextNode继承 Node.
一个Element包含一个子节点集合,并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。
参见
数据抽取:DOM遍历
数据抽取:Selector syntax
2.解析一个HTML字符串
存在问题来自用户输入,一个文件或一个网站的HTML字符串,你可能需要对它进行解析并取其内容,或校验其格式是否完整,或想修改它。怎么办?jsonu能够帮你轻松解决这些问题
解决方法
使用静态Jsoup.parse(String html) 方法或 Jsoup.parse(String
html, String baseUri)示例代码:
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。
3.解析一个body片断
问题假如你有一个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。
办法
使用Jsoup.parseBodyFragment(String html)方法.
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。
保证安全Stay safe
假如你可以让用户输入HTML内容,那么要小心避免跨站脚本攻击。利用基于 Whitelist 的清除器和 clean(String
bodyHtml, Whitelist whitelist)方法来清除用户输入的恶意内容。
4.从一个URL加载一个Document
存在问题
你需要从一个网站获取和解析一个HTML文档,并查找其中的相关数据。你可以使用下面解决方法:
解决方法
使用 Jsoup.connect(String url)方法:
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。
Connection接口还提供一个方法链来解决特殊请求,具体如下:
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。
5.从一个文件加载一个文档
问题
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。
办法
可以使用静态 Jsoup.parse(File in, String charsetName, String baseUri)方法:
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。
6.使用DOM方法来遍历一个文档
问题
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。
方法
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:
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:
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()and
classNames()
text()获取文本内容
text(String value)设置文本内容
html()获取元素内HTML
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)
tag()and
tagName()
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)
7.使用选择器语法来查找元素
问题
你想使用类似于CSS或jQuery的语法来查找和操作元素。
方法
可以使用Element.select(String selector)和
Elements.select(String selector)方法实现:
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:
a
ns|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#logo
el.class: 元素+class,比如:
div.masthead
el[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 + div
siblingA ~ siblingX: 查找A元素之前的同级X元素,比如:
h1 ~ p
el, 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
可以查看
SelectorAPI参考来了解更详细的内容
8.从元素抽取属性,文本和HTML
问题
在解析获得一个Document实例对象,并查找到一些元素之后,你希望取得在这些元素中的数据。
方法
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
示例:
上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用:
Element.id()
Element.tagName()
Element.className()and
Element.hasClass(String className)
这些访问器方法都有相应的setter方法来更改数据.
参见
Element和
Elements集合类的参考文档
URLs处理
使用CSS选择器语法来查找元素
9.处理URLs
问题
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:
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)。
10.示例程序: 获取所有链接
这个示例程序将展示如何从一个URL获得一个页面。然后提取页面中的所有链接、图片和其它辅助内容。并检查URLs和文本信息。运行下面程序需要指定一个URLs作为参数
11.设置属性的值
问题
在你解析一个Document之后可能想修改其中的某些属性值,然后再保存到磁盘或都输出到前台页面。
方法
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:
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:
12.设置一个元素的HTML内容
问题
你需要一个元素中的HTML内容
方法
可以使用Element中的HTML设置方法具体如下:
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。
参见
可以查看API参考文档中 Element.prependElement(String tag)和
Element.appendElement(String tag)方法来创建新的元素并作为文档的子元素插入其中。
13.设置元素的文本内容
问题
你需要修改一个HTML文档中的文本内容
方法
可以使用Element的设置方法::
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。
14.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-sitescripting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。
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。
参见
参阅XSS cheat sheet ,有一个例子可以了解为什么不能使用正则表达式,而采用安全的whitelist parser-based清理器才是正确的选择。参阅
Cleaner,了解如何返回一个
Document对象,而不是字符串
参阅
Whitelist,了解如何创建一个自定义的whitelist
nofollow 链接属性了解
转发请注明出处:http://www.cnblogs.com/jycboy/p/jsoupdoc.html
相关文章推荐
- Jsoup解析Html中文文档
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用jsoup对html文档进行解析
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作
- (转载)使用 jsoup 对 HTML 文档进行解析和操作
- 【使用JSOUP实现网络爬虫】入门:解析和遍历一个HTML文档
- 使用 jsoup 对 HTML 文档进行解析和操作
- jsoup 解析HTML 文档
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作
- 使用 jsoup 对 HTML 文档进行解析和操作
- Jsoup解析HTML实例及文档方法详解
- 使用 jsoup 对 HTML 文档进行解析和操作