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

相关推荐