jsoup 框架的使用指南

缺乏、安全感 2023-09-25 17:51 59阅读 0赞

# 概述 #

参考：

*  [官方文档][Link 1]
 *  [jsoup的使用][jsoup]
 *  [JSoup教程][JSoup]
 *  [jsoup 在 GitHub 的开源代码][jsoup _ GitHub]

## 概念简介 ##

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。

jsoup 实现 WHATWG HTML5 规范，并将 HTML 解析为与现代浏览器相同的 DOM。

*  从 URL，文件或字符串中提取并解析 HTML
    
    查找和提取数据，使用 DOM 遍历或 CSS 选择器
 *  操纵 HTML元素，属性和文本
 *  根据安全的白名单清理用户提交的内容，以防止 XSS 攻击
 *  输出整洁的 HTML

**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。

![在这里插入图片描述][b680640bc62c4a8b8f0d70758e723803.png_pic_center]

## 依赖 ##

<dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>1.15.4</version>
    </dependency>

## jsoup 的主要类 ##

虽然完整的类库中有很多类，但大多数情况下，需要重点了解下面给出`3` 个类即可

*  **org.jsoup.Jsoup 类**
    
    Jsoup 类是任何 Jsoup 程序的入口点，并将提供从各种来源加载和解析 HTML 文档的方法。
    
    Jsoup 类的一些重要方法如下：
    
        // 创建并返回URL的连接。
        static Connection connect(String url)
        
        // 将指定的字符集文件解析成文档。
        static Document parse(File in, String charsetName)
        // 将给定的html代码解析成文档。
        static Document parse(String html)
        // 从本地文件中加载文档对象
        static Document parse(File in, String charsetName)
        
        // 从输入 HTML 返回安全的 HTML，通过解析输入 HTML 并通过允许的标签和属性的白名单进行过滤。
        static String clean(String bodyHtml, Whitelist whitelist)
 *  **org.jsoup.nodes.Document 类**
    
    该类表示通过 Jsoup 库加载 HTML 文档。
    
    可以使用此类执行适用于整个 HTML 文档的操作。
 *  **org.jsoup.nodes.Element 类**
    
    HTML 元素是由标签名称，属性和子节点组成。 使用 Element 类，可以提取数据，遍历节点和操作 HTML。
 *  注：继承关系为 **Document** extends **Element** extends **Node**

# API #

## Jsoup 类 ##

Jsoup 类的一些重要方法如下：

// 创建并返回URL的连接。
    static Connection connect(String url)
    
    // 将指定的字符集文件解析成文档。
    static Document parse(File in, String charsetName)
    // 将给定的html代码解析成文档。
    static Document parse(String html)
    // 从本地文件中加载文档对象
    static Document parse(File in, String charsetName)
    
    // 从输入 HTML 返回安全的 HTML，通过解析输入 HTML 并通过允许的标签和属性的白名单进行过滤。
    static String clean(String bodyHtml, Whitelist whitelist)

## Connection 接口 ##

// 将请求作为GET执行，并解析结果
    Document get() throws IOException;
    // 将请求作为POST执行，并解析结果。
    Document post() throws IOException;
    // 执行请求。获取内容包含响应码等
    Connection.Response execute() throws IOException;
    // 将请求方法设置为使用GET或POST。默认为GET
    Connection method(Connection.Method method);
    
    // 创建一个新请求，使用此Connection作为会话状态并初始化连接设置（然后可以独立于返回的Connection.request对象）
    Connection newRequest();
    // 设置要提取的请求URL。协议必须是HTTP或HTTPS
    Connection url(URL url);
    Connection url(String url);
    // 设置头部信息
    Connection header(String name, String value);
    Connection headers(Map<String, String> headers);
    // 发出请求的用户信息
    Connection userAgent(String userAgent);
    // 先前网页的地址，当前请求网页紧随其后,即来路
    Connection referrer(String referrer);
    // 设置用于此请求的HTTP代理。设置为null禁用以前设置的代理。
    Connection proxy(Proxy proxy);
    Connection proxy(String host, int port);
    
    // 设置总请求超时时间。如果发生超时SocketTimeoutException将被抛出。默认超时为30秒（30000ms）。零超时被视为无限超时。
    	// 注意，此超时指定连接时间和读取完整响应时间的组合最长持续时间
    Connection timeout(int millis);
    
    // 在关闭连接和截断输入之前，设置从（未压缩）连接读取到正文的最大字节数（即正文内容将被修剪）。
    	// 默认最大值为2MB。最大大小为0被视为无限量（仅受机器上可用内存的限制）。
    Connection maxBodySize(int bytes);
    
    // 设置是否遵循服务器重定向的连接。默认为true
    Connection followRedirects(boolean followRedirects);
    
    // 将连接配置为在发生HTTP错误时不引发异常（4xx-5xx，例如404或500）。默认为false;，如果遇到错误，将引发IOException。
    	// 如果设置为true，响应将填充错误正文，状态消息将反映错误。
    Connection ignoreHttpErrors(boolean ignoreHttpErrors);
    
    // 分析响应时忽略文档的Content-Type。默认为false，未识别的内容类型将引发IOException。（例如，为了防止试图解析JPEG二进制图像而产生垃圾。）设置为true可强制解析尝试，而不管内容类型如何。
    Connection ignoreContentType(boolean ignoreContentType);
    
    // 设置自定义SSL套接字工厂
    Connection sslSocketFactory(SSLSocketFactory var1);
    
    // 添加请求数据参数。请求参数在GET的请求查询字符串中发送，在POST的请求正文中发送。一个请求可能有多个同名值。
    Connection data(String key, String value);
    // 添加输入流作为请求数据参数。
    Connection data(String key, String filename, InputStream inputStream);
    // 添加输入流作为请求数据参数。对于GET，没有影响，但对于POST，这将上载输入流。filename为文件名，不是路径
    Connection data(String key, String filename, InputStream InputStream, String contentType);
    Connection data(Collection<Connection.KeyVal> data);
    Connection data(Map<String, String> data);
    Connection data(String... keyvals);
    // 获取此密钥的数据KeyVal（如果有）
    Connection.KeyVal data(String var1);
    
    // 设置要在请求中发送的cookie
    Connection cookie(String name, String value);
    Connection cookies(Map<String, String> cookies);
    // 获取此连接使用的cookie存储
    Connection cookieStore(CookieStore cookieStore);
    // 提供自定义或预先填充的CookieStore，用于此连接发出的请求。
    CookieStore cookieStore();
    
    // 提供在分析文档响应时使用的备用解析器
    Connection parser(Parser parser);
    // 设置请求的数据字符集，默认x-www-form-urlencoded
    Connection postDataCharset(String charset);
    
    // 设置连接请求
    Connection request(Connection.Request var1);
    // 设置POST（或PUT）请求主体
    Connection requestBody(String body);
    // 获取与此连接关联的请求对象
    Connection.Request request();
    
    // 设置连接的响应
    Connection response(Connection.Response response);
    // 执行请求后，获取响应。
    Connection.Response response();

## Element（元素）类 ##

org.jsoup.nodes.**Element** extends **Node**

Elements 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。

### 查找元素 ###

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

### 获取元素数据 ###

在获得文档对象并且指定查找元素后，就可以获取元素中的数据。

注：这些访问器方法都有相应的 setter 方法来更改数据。

// 获取单个属性值
    public String attr(String key) 
    // 获取所有属性值
    public Attributes attributes()
    // 设置属性值
    public Element attr(String key, String value)
    
    // 获取文本内容
    public String text()
    // 设置文本内容
    public Element text(String value)
    
    // 获取元素内的 HTML 内容
    public String html()
    // 设置元素内的 HTML 内容
    public Element html(String value)
    // 获取元素外 HTML 内容
    public String outerHtml()
    
    // 获取数据内容（例如：script 和 style 标签)
    public String data()
    // 获得 id 值（例如：<p id="goods">衣服</p>）
    public String id()
    
    // 检查这个元素是否含有一个类选择器（不区分大小写）
    public boolean hasClass(String className) 
    // 获得第一个类选择器值
    public String className()
    // 获得所有的类选择器值
    public Set<String>classNames()
    
    // 获取元素标签
    public Tag tag()
    // 获取元素标签名（例如：`<p>`、`<div>` 等）
    public String tagName()

### 修改数据 ###

在解析了一个 Document 对象之后，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）。

*  **设置属性的值**
    
    以下方法当针对 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。
    
        // 设置标签的属性值
        public Element attr(String key, String value)
        // 删除标签
        public Element removeAttr(String key)
        
        // 增加类选择器选项
        public Element addClass(String className)
        // 删除对应的类选择器
        public Element removeClass(String className)
    
    代码示例：
    
        Document doc = Jsoup.connect("http://csdn.com").get();
        
        // 复数，Elements
        Elements elements = doc.getElementsByClass("text");
        // 单数，Element
        Element 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");
 *  **修改元素的 HTML 内容**
    
    可以使用 `Element` 中的 HTML 设置方法，具体如下：
    
        // 在末尾追加 HTML 内容
        public Element append(String html)
        // 在开头追加 HTML 内容
        public Element prepend(String html)
        // 在匹配元素内部添加 HTML 文本。这个方法将先清除元素中的 HTML 内容，然后用传入的 HTML 代替
        public Element html(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
        public Element wrap(String value)
    
    示例代码：
    
        Document doc = Jsoup.connect("http://csdn.com").get();
        
        Element div = doc.select("div").first();
        div.html("<p>csdn</p>");
        div.prepend("<p>a</p>");
        div.append("<p>good</p>");
        // 输出：<div"> <p>a</p> <p>csdn</p> <p>good</p> </div>
        
        Element span = doc.select("span").first();
        span.wrap("<li><a href='...'></a></li>");
        // 输出: <li><a href="..."> <span>csdn</span> </a></li>
 *  **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。
    
        // 清除元素内部的 HTML 内容，然后用提供的文本代替
        public Element text(String text)
        // 在元素后添加文本节点
        public Element prepend(String first)
        // 在元素前添加文本节点
        public Element append(String last)
    
    示例代码：
    
        // <div></div>
        Element div = doc.select("div").first();
        
        div.text(" one "); 
        div.prepend(" two ");
        div.append(" three ");
        // 输出: <div> two one three </div>

# 基本使用 #

## 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。

*  **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();
    
     *  `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，可以在发送请求时带上请求的头部参数。示例代码：
    
        Document doc = Jsoup.connect("http://csdn.com")
          .data("query", "Java")
          .userAgent("Mozilla")
          .cookie("auth", "token")
          .timeout(8000)
          .post();
    
    可以使用 `execute()` 方法获得完整的响应对象和响应码：
    
        // 获得响应对象
        Connection.Response response = Jsoup.connect("http://csdn.com").execute();
        // 获取状态码
        int code = response.statusCode();
 *  **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");
 *  **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><p>Parsed HTML into a doc.</p></body></html>";
        Document doc = Jsoup.parse(html);
 *  **从 `<body>` 片断中获取文档对象**
    
    使用 `Jsoup.parseBodyFragment(String html)` 方法，示例代码：
    
        String html = "<p>Lorem ipsum.</p>";
        Document doc = Jsoup.parseBodyFragment(html);
        // doc 此时为：<body> <p>Lorem ipsum.</p></body>
        
        Element body = doc.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。
     *  虽然使用正常的 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。

## 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，可以选择一种自己喜欢的方式去获取数据，效果一样。

### 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。

常用方法详见 Element（元素）类 API

示例代码：

// 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();
    }

### 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 cssQuery)`

示例代码：

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();
    }

*  `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。

**select(String cssQuery) 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 `<p id="logo">`
 *  `.class` ：通过 class 名称查找元素，比如通过 `.titile` 查找 `<p class="titile">`
 *  `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

**参数属性组合使用**

*  `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]`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 + 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`

**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（不包含任何它的后代）
 *  `: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)` ：查找直接包含文本匹配指定正则表达式的元素（不包含任何它的后代）

注意：上述伪选择器索引是从 0 开始的，即第一个元素索引值为 0，第二个元素 index 为 1 等

## 其他功能 ##

### 一些常用数据的获取 ###

*  **从 HTML 获取标题**
    
        Document document = Jsoup.parse( new File("C:/Users/xyz/Desktop/yiibai-index.html"), "utf-8");
        System.out.println(document.title());
 *  **获取 HTML 页面的 Fav 图标**
    
    假设 `favicon` 图像将是 HTML 文档的 `<head>` 部分中的第一个图像
    
        String favImage = "Not Found";
        try {
              
            Document document = Jsoup.parse(new File("C:/Users/zkpkhua/Desktop/yiibai-index.html"), "utf-8");
            Element element = document.head().select("link[href~=.*\\.(ico|png)]").first();
            if (element == null) {
              
                element = document.head().select("meta[itemprop=image]").first();
                if (element != null) {
              
                    favImage = element.attr("content");
                }
            } else {
              
                favImage = element.attr("href");
            }
        } catch (IOException e) {
              
            e.printStackTrace();
        }
        System.out.println(favImage);
 *  **获取 HTML 页面中的所有链接**
    
        try {
              
            Document document = Jsoup.parse(new File("C:/Users/zkpkhua/Desktop/yiibai-index.html"), "utf-8");
            Elements links = document.select("a[href]");  
            for (Element link : links) {
              
                 System.out.println("link : " + link.attr("href"));  
                 System.out.println("text : " + link.text());  
            }
        } catch (IOException e) {
              
            e.printStackTrace();
        }
 *  **获取 HTML 页面中的所有图像**
    
        try {
              
            Document document = Jsoup.parse(new File("C:/Users/zkpkhua/Desktop/yiibai-index.html"), "utf-8");
            Elements images = document.select("img[src~=(?i)\\.(png|jpe?g|gif)]");
            for (Element image : images) {
              
                System.out.println("src : " + image.attr("src"));
                System.out.println("height : " + image.attr("height"));
                System.out.println("width : " + image.attr("width"));
                System.out.println("alt : " + image.attr("alt"));
            }
        } catch (IOException e) {
              
            e.printStackTrace();
        }
 *  **获取 URL 的元信息**
    
    元信息包括 Google 等搜索引擎用来确定网页内容的索引为目的。它们以 HTM L页面的 `HEAD` 部分中的一些标签的形式存在。
    
        try {
              
            Document document = Jsoup.parse(new File("C:/Users/zkpkhua/Desktop/yiibai-index.html"), "utf-8");
        
            String description = document.select("meta[name=description]").get(0).attr("content");  
            System.out.println("Meta description : " + description);  
        
            String keywords = document.select("meta[name=keywords]").first().attr("content");  
            System.out.println("Meta keyword : " + keywords);  
        } catch (IOException e) {
              
            e.printStackTrace();
        }
 *  **在 HTML 页面中获取表单属性**
    
    在网页中获取表单输入元素非常简单。 使用唯一 ID 查找 FORM 元素; 然后找到该表单中存在的所有 INPUT 元素。
    
        Document doc = Jsoup.parse(new File("c:/temp/yiibai-index.html"),"utf-8");  
        Element formElement = doc.getElementById("loginForm");  
        
        Elements inputElements = formElement.getElementsByTag("input");  
        for (Element inputElement : inputElements) {
                
            String key = inputElement.attr("name");  
            String value = inputElement.attr("value");  
            System.out.println("Param name: " + key + " \nParam value: " + value);  
        }

### 相对路径转绝对路径 ###

*  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。
 *  如果需要取得一个绝对路径，有两种方式：
    
     *  方式1：在属性名前加 `abs:` 前缀，就可以返回包含根路径的 URL 地址 `attr("abs:href")`
     *  方式2：使用 absUrl(String key) 方法

**示例场景**

*  **问题描述**：
    
    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。
    
    示例代码：
    
        Document doc = Jsoup.connect("http://www.open-open.com").get();
        Element link = doc.select("a").first();
        
        String relHref = link.attr("href");
        // 输出：/
        
        String absHref = link.attr("abs:href");
        // 输出：http://www.open-open.com/

### 消除不受信任的HTML (防止XSS攻击) ###

*  假设在应用程序中，想显示用户提交的 HTML 片段。
    
    例如用户可以在评论框中放入 HTML 内容。 这可能会导致非常严重的问题，如果允许直接显示此 HTML。 用户可以在其中放入一些恶意脚本，并将用户重定向到另一个脏网站。
 *  为了清理这个 HTML，Jsoup 提供 `Jsoup.clean()` 方法。
    
    此方法期望 HTML 格式的字符串，并将返回清洁的 HTML。
    
    要执行此任务，Jsoup 使用白名单过滤器。 jsoup 白名单过滤器通过解析输入 HTML（在安全的沙盒环境中）工作，然后遍历解析树，只允许将已知安全的标签和属性（和值）通过清理后输出。
    
    它不使用正则表达式，这对于此任务是不合适的。
    
    清洁器不仅用于避免 XSS，还限制了用户可以提供的元素的范围：可以使用文本，强元素，但不能构造 `div` 或表元素。

**示例场景**

*  **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。
    
    示例代码：
    
        String unsafe = "<p><a href='http://csdn.com/' οnclick='attack()'>Link</a></p>";
                
        String safe = Jsoup.clean(unsafe, Safelist.basic());
        // 输出: <p><a href="http://csdn.com/" >Link</a></p>
 *  注：
    
     *  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。

### jsoup 使用代理 ###

*  示例代码：
    
        Connection.Response execute = Jsoup.connect("http://csdn.net/")
        					               .proxy("12.12.12.12", 1080)	// 使用代理
        					               .execute();

[Link 1]: https://jsoup.org/
[jsoup]: https://blog.csdn.net/qq_35760825/article/details/125571815?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167686970816782425134665%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=167686970816782425134665&biz_id=0&spm=1018.2226.3001.4187
[JSoup]: https://www.yiibai.com/jsoup
[jsoup _ GitHub]: http://github.com/jhy/jsoup/
[b680640bc62c4a8b8f0d70758e723803.png_pic_center]: https://img-blog.csdnimg.cn/b680640bc62c4a8b8f0d70758e723803.png#pic_center