jsoup学习
Jym 2013-08-28
转自：http://yijianfengvip.blog.163.com/blog/static/17527343220119283040546/
jsoup网页抓取简介详解，java抓取
2011-10-2815:00:40|分类：java_js_flex_css|标签：jsoupjava抓取详解|字号订阅
jsoup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IBMDW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；
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图1所示：
图1.jsoup的类层次结构
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是如何优雅的进行HTML文档处理的。
回页首
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：
清单1
//直接从字符串中输入HTML文档
Stringhtml="<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>";
Documentdoc=Jsoup.parse(html);
//从URL直接加载HTML文档
Documentdoc=Jsoup.connect("http://www.oschina.net/").get();
Stringtitle=doc.title();
Documentdoc=Jsoup.connect("http://www.oschina.net/")
.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
Fileinput=newFile("D:/test.html");
Documentdoc=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<ahref=/project>开源软件</a>会被转换成<ahref=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：
清单2.
Fileinput=newFile("D:/test.html");
Documentdoc=Jsoup.parse(input,"UTF-8","http://www.oschina.net/");
Elementcontent=doc.getElementById("content");
Elementslinks=content.getElementsByTag("a");
for(Elementlink:links){
StringlinkHref=link.attr("href");
StringlinkText=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，
清单3.
Fileinput=newFile("D:\test.html");
Documentdoc=Jsoup.parse(input,"UTF-8","http://www.oschina.net/");
Elementslinks=doc.select("a[href]");//具有href属性的链接
Elementspngs=doc.select("img[src$=.png]");//所有引用png图片的元素
Elementmasthead=doc.select("div.masthead").first();
//找出定义了class=masthead的元素
ElementsresultLinks=doc.select("h3.r>a");//directaafterh3
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。
回页首
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：
清单4.
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("//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。
回页首
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：
清单5.
Stringunsafe="<p><ahref='http://www.oschina.net/'
开源中国社区</a></p>";
Stringsafe=Jsoup.clean(unsafe,Whitelist.basic());
//输出:
//<p><ahref="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，该类提供几个常用方法：
表1.常用方法：
方法名简介
none()只允许包含文本信息
basic()允许的标签包括：a,b,blockquote,br,cite,code,dd,dl,dt,em,i,li,ol,p,pre,q,small,strike,strong,sub,sup,u,ul,以及合适的属性
simpleText()只允许b,em,i,strong,u这些标签
basicWithImages()在basic()的基础上增加了图片
relaxed()这个过滤器允许的标签最多，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。
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。
表2.基本用法：
tagname使用标签名来定位，例如a
ns|tag使用命名空间的标签定位，例如fb:name来查找<fb:name>元素
#id使用元素id定位，例如#logo
.class使用元素的class属性定位，例如.head
[attribute]使用元素的属性进行定位，例如[href]表示检索具有href属性的所有元素
[^attr]使用元素的属性名前缀进行定位，例如[^data-]用来查找HTML5的dataset属性
[attr=value]使用属性值进行定位，例如[width=500]定位所有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、结尾以及包含
[attr~=regex]使用正则表达式进行属性值的过滤，例如img[src~=(?i)\.(png|jpe?g)]
*定位所有元素
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：
表3：组合用法：
el#id定位id值某个元素，例如a#logo-><aid=logohref=…>
el.class定位class为指定值的元素，例如div.head-><divclass=head>xxxx</div>
el[attr]定位所有定义了某属性的元素，例如a[href]
以上三个任意组合例如a[href]#logo、a[name].outerlink
ancestorchild这五种都是元素之间组合关系的选择器语法，其中包括父子关系、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：
表4.表达式：
:lt(n)例如td:lt(3)表示小于三列
:gt(n)divp:gt(2)表示div中包含2个以上的p
:eq(n)forminput:eq(1)表示只包含一个input的表单
: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，不区分大小写，例如p:contains(oschina)
:containsOwn(text)文本信息完全等于指定条件的过滤
:matches(regex)使用正则表达式进行文本过滤：div:matches((?i)login)
:matchesOwn(regex)使用正则表达式找到自身的文本
