java爬虫-jsoup

男娘i 2023-02-11 15:30 253阅读 0赞

### 文章目录 ###

*   *  内容简介
     *  主要功能

## 内容简介 ##

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。

## 主要功能 ##

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协议发布的，可放心使用于商业项目。  
    jsoup 的主要类层次结构如下图所示：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjIzNDQ3_size_16_color_FFFFFF_t_70]

接下来我们专门针对几种常见的应用场景举例说明jsoup 是如何优雅的进行HTML 文档处理的。  
**文档输入**  
jsoup 可以从包括字符串、URL地址以及本地文件来加载HTML 文档，并生成Document 对象实例。  
下面是相关代码：

// 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>这里是jsoup 项目的相关文章</body></html>";
 Document doc = Jsoup.parse(html);
 // 从URL直接加载HTML 文档
 Document doc =Jsoup.connect("网址/").get();
 String title = doc.title();
 Document doc =Jsoup.connect("网址/")
 .data("query", "Java") //请求参数
 .userAgent("I’mjsoup") //设置User-Agent
 .cookie("auth", "token") //设置cookie
 .timeout(3000) //设置连接超时时间
 .post(); //使用POST方法访问URL
 // 从文件中加载HTML 文档
 File input = new File("D:/test.html");
 Document doc = Jsoup.parse(input,"UTF-8","网址/");

请大家注意最后一种HTML 文档输入方式中的parse 的第三个参数，为什么需要在这里指定一个网址呢（虽然可以不指定，如第一种方法）？因为HTML 文档中会有很多例如链接、图片以及所引用的外部脚本、css文件等，而第三个名为baseURL 的参数的意思就是当HTML 文档使用相对路径方式引用外部文件时，jsoup会自动为这些URL 加上一个前缀，也就是这个baseURL。

例如

<a href=/project>开源软件</a> 会被转换成<a href=网址>开源软件</a>

**解析并提取HTML 元素**

这部分涉及一个HTML 解析器最基本的功能，但jsoup使用一种有别于其他开源项目的方式——选择器，我们将在最后一部分详细介绍jsoup选择器，本节中你将看到jsoup是如何用最简单的代码实现。  
不过jsoup也提供了传统的DOM 方式的元素解析，看看下面的代码：

File input = new File("D:/test.html");
    Document doc = Jsoup.parse(input, "UTF-8","网址/");
    Element content =doc.getElementById("content");
    Elements links = content.getElementsByTag("a");
    for (Element link : links) { 
    String linkHref =link.attr("href");
    String linkText =link.text();
    }

你可能会觉得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，功能也完全一致。你可以根据节点名称或者是HTML 元素的id 来获取对应的元素或者元素列表。

与htmlparser 项目不同的是，jsoup 并没有为HTML 元素定义一个对应的类，一般一个HTML 元素的组成部分包括：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，

File input = new File("D:\test.html");
    Document doc =Jsoup.parse(input,"UTF-8","网址");
    Elements links = doc.select("a[href]"); // 具有href 属性的链接
    Elements pngs = doc.select("img[src$=.png]");//所有引用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

jsoup使用跟jQuery 一模一样的选择器对元素进行检索，以上的检索方法如果换成是其他的HTML 解释器，至少都需要很多行代码，而jsoup 只需要一行代码即可完成。

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。

**修改数据**

在解析文档的同时，我们可能会需要对文档中的某些元素进行修改，例如我们可以为文档中的所有图片增加可点击链接、修改链接地址或者是修改文本等。  
下面是一些简单的例子：

doc.select("div.commentsa").attr("rel", "nofollow");
    //为所有链接增加rel=nofollow 属性
    doc.select("div.commentsa").addClass("mylinkclass");
    //为所有链接增加class=mylinkclass 属性
    doc.select("img").removeAttr("onclick");//删除所有图片的onclick属性
    doc.select("input[type=text]").val("");//清空所有文本输入框中的文本

道理很简单，你只需要利用jsoup 的选择器找出元素，然后就可以通过以上的方法来进行修改，除了无法修改标签名外（可以删除后再插入新的元素），包括元素的属性和文本都可以修改。

修改完直接调用Element(s) 的html() 方法就可以获取修改完的HTML 文档。

**HTML 文档清理**

jsoup 在提供强大的API 同时，人性化方面也做得非常好。在做网站的时候，经常会提供用户评论的功能。有些用户比较淘气，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，例如XSS 跨站点攻击之类的。

jsoup 对这方面的支持非常强大，使用非常简单。看看下面这段代码：

String unsafe = "<a href='网址' οnclick='stealCookies()'>开源中国社区</a>";
 String safe = Jsoup.clean(unsafe, Whitelist.basic());
 // 输出:
 // <ahref="网址" rel="nofollow">开源中国社区</a>

jsoup 使用一个Whitelist 类用来对HTML 文档进行过滤，该类提供几个常用方法：  
![在这里插入图片描述][20200524113010686.png]

如果这五个过滤器都无法满足你的要求呢，例如你允许用户插入flash 动画，没关系，Whitelist提供扩展功能，例如whitelist.addTags(“embed”,“object”,“param”,“span”,“div”);也可调用addAttributes 为某些元素增加属性。

**jsoup 的过人之处——选择器**

前面我们已经简单的介绍了jsoup是如何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选择器的所有语法详细列表。  
基本用法  
![在这里插入图片描述][20200524113039621.png]

以上是最基本的选择器语法，这些语法也可以组合起来使用，下面是jsoup支持的组合用法：  
![在这里插入图片描述][20200524113050597.png]

除了一些基本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。下面是jsoup支持的所有表达式一览表：  
![在这里插入图片描述][20200524113104141.png]

**总结编辑**

jsoup 的基本功能到这里就介绍完毕，但由于jsoup 良好的可扩展性API 设计，你可以通过选择器的定义来开发出非常强大的HTML 解析功能。再加上jsoup 项目本身的开发也非常活跃，因此如果你正在使用Java ，需要对HTML 进行处理，不妨试试。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjIzNDQ3_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200524112047848.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjIzNDQ3,size_16,color_FFFFFF,t_70
[20200524113010686.png]: https://img-blog.csdnimg.cn/20200524113010686.png
[20200524113039621.png]: https://img-blog.csdnimg.cn/20200524113039621.png
[20200524113050597.png]: https://img-blog.csdnimg.cn/20200524113050597.png
[20200524113104141.png]: https://img-blog.csdnimg.cn/20200524113104141.png