jsoup抓取网页+具体解说
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。我以前在 IBM DW 上发表过两篇关于 htmlparser 的文章。各自是：从 HTML 中攫取你所需的信息和 扩展 HTMLParser 对自己定义标签的处理能力。但如今我已经不再使用 htmlparser 了。原因是 htmlparser 非常少更新，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。
它提供了一套很省力的 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 的主要功能例如以下：
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；
jsoup 是基于 MIT 协议公布的，可放心使用于商业项目。
jsoup 的主要类层次结构如图 1 所看到的：
图 1. jsoup 的类层次结构
接下来我们专门针对几种常见的应用场景举例说明 jsoup 是怎样优雅的进行 HTML 文档处理的。
回页首
文档输入
jsoup 能够从包含字符串、URL 地址以及本地文件来载入 HTML 文档。并生成 Document 对象实例。
以下是相关代码：
清单 1
// 直接从字符串中输入 HTML 文档
String html = "<html><head><title> 开源中国社区 </title></head>"
+ "<body><p> 这里是 jsoup 项目的相关文章 </p></body></html>";
Document doc = Jsoup.parse(html);
// 从 URL 直接载入 HTML 文档
Document doc = Jsoup.connect("http://www.oschina.net/").get();
String title = doc.title();
Document doc = Jsoup.connect("http://www.oschina.net/")
.data("query", "Java") // 请求參数
.userAgent("I ’ m jsoup") // 设置 User-Agent
.cookie("auth", "token") // 设置 cookie
.timeout(3000) // 设置连接超时时间
.post(); // 使用 POST 方法訪问 URL
// 从文件里载入 HTML 文档
File input = new File("D:/test.html");
Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/");
|
请大家注意最后一种 HTML 文档输入方式中的 parse 的第三个參数，为什么须要在这里指定一个网址呢（尽管能够不指定，如第一种方法）？由于 HTML 文档中会有非常多比如链接、图片以及所引用的外部脚本、css 文件等。而第三个名为 baseURL 的參数的意思就是当 HTML 文档使用相对路径方式引用外部文件时。jsoup 会自己主动为这些 URL 加上一个前缀，也就是这个 baseURL。
比如 <a href=/project> 开源软件 </a> 会被转换成 <a href=http://www.oschina.net/project> 开源软件 </a>。
回页首
解析并提取 HTML 元素
这部分涉及一个 HTML 解析器最主要的功能，但 jsoup 使用一种有别于其它开源项目的方式——选择器，我们将在最后一部分具体介绍 jsoup 选择器。本节中你将看到 jsoup 是怎样用最简单的代码实现。
只是 jsoup 也提供了传统的 DOM 方式的元素解析。看看以下的代码：
清单 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();
}
|
你可能会认为 jsoup 的方法似曾相识，没错。像 getElementById 和 getElementsByTag 方法跟 JavaScript 的方法名称是一样的，功能也全然一致。
你能够依据节点名称或者是 HTML 元素的 id 来获取相应的元素或者元素列表。
与 htmlparser 项目不同的是。jsoup 并没有为 HTML 元素定义一个相应的类。一般一个 HTML 元素的组成部分包含：节点名、属性和文本，jsoup 提供简单的方法供你自己检索这些数据，这也是 jsoup 保持瘦身的原因。
而在元素检索方面，jsoup 的选择器简直无所不能。
清单 3.
File input = new File("D: est.html");
Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/");
Elements links = doc.select("a[href]"); // 具有 href 属性的链接
Elements pngs = doc.select("img[src$=.png]");// 全部引用 png 图片的元素
Element masthead = doc.select("div.masthead").first();
// 找出定义了 class=masthead 的元素
Elements resultLinks = doc.select("h3.r > a"); // direct a after h3
|
这是 jsoup 真正让我折服的地方，jsoup 使用跟 jQuery 一模一样的选择器对元素进行检索，以上的检索方法假设换成是其它的 HTML 解释器，至少都须要非常多行代码，而 jsoup 仅仅须要一行代码就可以完毕。
jsoup 的选择器还支持表达式功能，我们将在最后一节介绍这个超强的选择器。
回页首
改动数据
在解析文档的同一时候。我们可能会须要对文档中的某些元素进行改动，比如我们能够为文档中的全部图片添加可点击链接、改动链接地址或者是改动文本等。
以下是一些简单的样例：
清单 4.
doc.select("div.comments a").attr("rel", "nofollow");
// 为全部链接添加 rel=nofollow 属性
doc.select("div.comments a").addClass("mylinkclass");
// 为全部链接添加 class=mylinkclass 属性
doc.select("img").removeAttr(" // 删除全部图片的 onclick 属性
doc.select("input[type=text]").val(""); // 清空全部文本输入框中的文本
|
道理非常easy，你仅仅须要利用 jsoup 的选择器找出元素，然后就能够通过以上的方法来进行改动，除了无法改动标签名外（能够删除后再插入新的元素），包含元素的属性和文本都能够改动。
改动完直接调用 Element(s) 的 html() 方法就能够获取改动完的 HTML 文档。
回页首
HTML 文档清理
jsoup 在提供强大的 API 同一时候。人性化方面也做得很好。在做站点的时候。常常会提供用户评论的功能。
有些用户比較淘气。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。比如 XSS 跨站点攻击之类的。
jsoup 对这方面的支持很强大，使用很easy。看看以下这段代码：
清单 5.
String unsafe = "<p><a href='http://www.oschina.net/' 开源中国社区 </a></p>"; String safe = Jsoup.clean(unsafe, Whitelist.basic()); // 输出 : // <p><a href="http://www.oschina.net/" rel="nofollow"> 开源中国社区 </a></p> |
jsoup 使用一个 Whitelist 类用来对 HTML 文档进行过滤。该类提供几个经常用法：
表 1. 经常用法：
| 方法名 | 简单介绍 |
|---|---|
| none() | 仅仅同意包括文本信息 |
| basic() | 同意的标签包含：a, b, blockquote, br, cite, code, dd, dl, dt, em, i, li, ol, p, pre, q, small, strike, strong, sub, sup, u, ul, 以及合适的属性 |
| simpleText() | 仅仅同意 b, em, i, strong, u 这些标签 |
| basicWithImages() | 在 basic() 的基础上添加了图片 |
| relaxed() | 这个过滤器同意的标签最多。包含：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 |
假设这五个过滤器都无法满足你的要求呢，比如你同意用户插入 flash 动画，没关系，Whitelist 提供扩展功能，比如 whitelist.addTags("embed","object","param","span","div"); 也可调用 addAttributes 为某些元素添加属性。
回页首
jsoup 的过人之处——选择器
前面我们已经简单的介绍了 jsoup 是怎样使用选择器来对元素进行检索的。本节我们把重点放在选择器本身强大的语法上。下表是 jsoup 选择器的全部语法具体列表。
表 2. 基本使用方法：
| tagname | 使用标签名来定位，比如 a |
| ns|tag | 使用命名空间的标签定位，比如 fb:name 来查找 <fb:name> 元素 |
| #id | 使用元素 id 定位，比如 #logo |
| .class | 使用元素的 class 属性定位，比如 .head |
| [attribute] | 使用元素的属性进行定位，比如 [href] 表示检索具有 href 属性的全部元素 |
| [^attr] | 使用元素的属性名前缀进行定位，比如 [^data-] 用来查找 HTML5 的 dataset 属性 |
| [attr=value] | 使用属性值进行定位，比如 [width=500] 定位全部 width 属性值为 500 的元素 |
| [attr^=value], [attr$=value], [attr*=value] | 这三个语法分别代表，属性以 value 开头、结尾以及包括 |
| [attr~=regex] | 使用正則表達式进行属性值的过滤，比如 img[src~=(?i).(png|jpe?g)] |
| * | 定位全部元素 |
以上是最主要的选择器语法，这些语法也能够组合起来使用，以下是 jsoup 支持的组合使用方法：
表 3：组合使用方法：
| el#id | 定位 id 值某个元素。比如 a#logo -> <a id=logo href= … > |
| el.class | 定位 class 为指定值的元素。比如 div.head -> <div class=head>xxxx</div> |
| el[attr] | 定位全部定义了某属性的元素，比如 a[href] |
| 以上三个随意组合 | 比如 a[href]#logo 、a[name].outerlink |
| ancestor child | 这五种都是元素之间组合关系的选择器语法，当中包含父子关系、合并关系和层次关系。 |
| parent > child | |
| siblingA + siblingB | |
| siblingA ~ siblingX | |
| el, el, el |
除了一些主要的语法以及这些语法进行组合外，jsoup 还支持使用表达式进行元素过滤选择。以下是 jsoup 支持的全部表达式一览表：
表 4. 表达式：
| :lt(n) | 比如 td:lt(3) 表示 小于三列 |
| :gt(n) | div p:gt(2) 表示 div 中包括 2 个以上的 p |
| :eq(n) | form input:eq(1) 表示仅仅包括一个 input 的表单 |
| :has(seletor) | div:has(p) 表示包括了 p 元素的 div |
| :not(selector) | div:not(.logo) 表示不包括 class=logo 元素的全部 div 列表 |
| :contains(text) | 包括某文本的元素。不区分大写和小写。比如 p:contains(oschina) |
| :containsOwn(text) | 文本信息全然等于指定条件的过滤 |
| :matches(regex) | 使用正則表達式进行文本过滤：div:matches((? i)login) |
| :matchesOwn(regex) | 使用正則表達式找到自身的文本 |