jsoup框架如何使用
本篇内容介绍了“jsoup框架如何使用”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!
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。
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。staticConnectionconnect(Stringurl)//将指定的字符集文件解析成文档。staticDocumentparse(Filein,StringcharsetName)//将给定的html代码解析成文档。staticDocumentparse(Stringhtml)//从本地文件中加载文档对象staticDocumentparse(Filein,StringcharsetName)//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。staticStringclean(StringbodyHtml,Whitelistwhitelist)
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。staticConnectionconnect(Stringurl)//将指定的字符集文件解析成文档。staticDocumentparse(Filein,StringcharsetName)//将给定的html代码解析成文档。staticDocumentparse(Stringhtml)//从本地文件中加载文档对象staticDocumentparse(Filein,StringcharsetName)//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。staticStringclean(StringbodyHtml,Whitelistwhitelist)
Connection 接口
//将请求作为GET执行,并解析结果Documentget()throwsIOException;//将请求作为POST执行,并解析结果。Documentpost()throwsIOException;//执行请求。获取内容包含响应码等Connection.Responseexecute()throwsIOException;//将请求方法设置为使用GET或POST。默认为GETConnectionmethod(Connection.Methodmethod);//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)ConnectionnewRequest();//设置要提取的请求URL。协议必须是HTTP或HTTPSConnectionurl(URLurl);Connectionurl(Stringurl);//设置头部信息Connectionheader(Stringname,Stringvalue);Connectionheaders(Map<String,String>headers);//发出请求的用户信息ConnectionuserAgent(StringuserAgent);//先前网页的地址,当前请求网页紧随其后,即来路Connectionreferrer(Stringreferrer);//设置用于此请求的HTTP代理。设置为null禁用以前设置的代理。Connectionproxy(Proxyproxy);Connectionproxy(Stringhost,intport);//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Connectiontimeout(intmillis);//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)。ConnectionmaxBodySize(intbytes);//设置是否遵循服务器重定向的连接。默认为trueConnectionfollowRedirects(booleanfollowRedirects);//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。ConnectionignoreHttpErrors(booleanignoreHttpErrors);//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。ConnectionignoreContentType(booleanignoreContentType);//设置自定义SSL套接字工厂ConnectionsslSocketFactory(SSLSocketFactoryvar1);//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。Connectiondata(Stringkey,Stringvalue);//添加输入流作为请求数据参数。Connectiondata(Stringkey,Stringfilename,InputStreaminputStream);//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Connectiondata(Stringkey,Stringfilename,InputStreamInputStream,StringcontentType);Connectiondata(Collection<Connection.KeyVal>data);Connectiondata(Map<String,String>data);Connectiondata(String...keyvals);//获取此密钥的数据KeyVal(如果有)Connection.KeyValdata(Stringvar1);//设置要在请求中发送的cookieConnectioncookie(Stringname,Stringvalue);Connectioncookies(Map<String,String>cookies);//获取此连接使用的cookie存储ConnectioncookieStore(CookieStorecookieStore);//提供自定义或预先填充的CookieStore,用于此连接发出的请求。CookieStorecookieStore();//提供在分析文档响应时使用的备用解析器Connectionparser(Parserparser);//设置请求的数据字符集,默认x-form-urlencodedConnectionpostDataCharset(Stringcharset);//设置连接请求Connectionrequest(Connection.Requestvar1);//设置POST(或PUT)请求主体ConnectionrequestBody(Stringbody);//获取与此连接关联的请求对象Connection.Requestrequest();//设置连接的响应Connectionresponse(Connection.Responseresponse);//执行请求后,获取响应。Connection.Responseresponse();
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publicElementgetElementById(Stringid)//通过标签来查找元素publicElementsgetElementsByTag(Stringtag)//通过类选择器来查找元素publicElementsgetElementsByClass(StringclassName)//通过属性名称来查找元素,例如查找带有href元素的标签publicElementsgetElementsByAttribute(Stringkey)//获取兄弟元素。如果元素没有兄弟元素,则返回一个空列表publicElementssiblingElements()//获取第一个兄弟元素publicElementfirstElementSibling()//获取最后一个兄弟元素publicElementlastElementSibling()//获取下一个兄弟元素publicElementnextElementSibling()//获取上一个兄弟元素publicElementpreviousElementSibling()//获取此节点的父节点publicElementparent()//获取此节点的所有子节点publicElementschildren()//获取此节点的指定子节点publicElementchild(intindex)//使用CSS选择器查找元素publicElementsselect(StringcssQuery)
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publicStringattr(Stringkey)//获取所有属性值publicAttributesattributes()//设置属性值publicElementattr(Stringkey,Stringvalue)//获取文本内容publicStringtext()//设置文本内容publicElementtext(Stringvalue)//获取元素内的HTML内容publicStringhtml()//设置元素内的HTML内容publicElementhtml(Stringvalue)//获取元素外HTML内容publicStringouterHtml()//获取数据内容(例如:script和style标签)publicStringdata()//获得id值(例如:<pid="goods">衣服</p>)publicStringid()//检查这个元素是否含有一个类选择器(不区分大小写)publicbooleanhasClass(StringclassName)//获得第一个类选择器值publicStringclassName()//获得所有的类选择器值publicSet<String>classNames()//获取元素标签publicTagtag()//获取元素标签名(例如:`<p>`、`<div>`等)publicStringtagName()
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publicElementattr(Stringkey,Stringvalue)//删除标签publicElementremoveAttr(Stringkey)//增加类选择器选项publicElementaddClass(StringclassName)//删除对应的类选择器publicElementremoveClass(StringclassName)
代码示例:
Documentdoc=Jsoup.connect("csdn").get();//复数,ElementsElementselements=doc.getElementsByClass("text");//单数,ElementElementelement=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publicElementappend(Stringhtml)//在开头追加HTML内容publicElementprepend(Stringhtml)//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publicElementhtml(Stringvalue)//对元素包裹一个外部HTML内容,将元素置于新增的内容中间publicElementwrap(Stringvalue)
示例代码:
Documentdoc=Jsoup.connect("csdn").get();Elementdiv=doc.select("div").first();div("<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>Elementspan=doc.select("span").first();span.wrap("<li><ahref='...'></a></li>");//输出:<li><ahref="..."><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publicElementtext(Stringtext)//在元素后添加文本节点publicElementprepend(Stringfirst)//在元素前添加文本节点publicElementappend(Stringlast)
示例代码:
//<div></div>Elementdiv=doc.select("div").first();div.text("one");div.prepend("two");div.append("three");//输出:<div>twoonethree</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 http 协议):
Documentdoc=Jsoup.connect("csdn/").get();Stringtitle=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:
Documentdoc=Jsoup.connect("csdn").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.Responseresponse=Jsoup.connect("csdn").execute();//获取状态码intcode=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:
Fileinput=newFile("/tmp/input");Documentdoc=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:
Stringhtml="<html><head><title>Firstparse</title></head>"+"<body><p>ParsedHTMLintoadoc.</p></body></html>";Documentdoc=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:
Stringhtml="<p>Loremipsum.</p>";Documentdoc=Jsoup.parseBodyFragment(html);//doc此时为:<body><p>Loremipsum.</p></body>Elementbody=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。
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Documentdoc=Jsoup.connect("csdn").get();Elementselements=doc.getElementsByTag("body");Elementscontents=elements.first().getElementsByTag("a");for(Elementcontent:contents){StringlinkHref=content.attr("href");StringlinkText=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:
Documentdoc=Jsoup.connect("csdn").get();//获取带有href属性的a元素Elementselements=doc.select("a[href]");for(Elementcontent:elements){StringlinkHref=content.attr("href");StringlinkText=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">
[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:h2 ~ 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
Documentdocument=Jsoup.parse(newFile("C:/Users/xyz/Desktop/yiibai-index"),"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
StringfavImage="NotFound";try{Documentdocument=Jsoup.parse(newFile("C:/Users/zkpkhua/Desktop/yiibai-index"),"utf-8");Elementelement=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(IOExceptione){e.printStackTrace();}System.out.println(favImage);
获取 HTML 页面中的所有链接
try{Documentdocument=Jsoup.parse(newFile("C:/Users/zkpkhua/Desktop/yiibai-index"),"utf-8");Elementslinks=document.select("a[href]");for(Elementlink:links){System.out.println("link:"+link.attr("href"));System.out.println("text:"+link.text());}}catch(IOExceptione){e.printStackTrace();}
获取 HTML 页面中的所有图像
try{Documentdocument=Jsoup.parse(newFile("C:/Users/zkpkhua/Desktop/yiibai-index"),"utf-8");Elementsimages=document.select("img[src~=(?i)\\.(png|jpe?g|gif)]");for(Elementimage: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(IOExceptione){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{Documentdocument=Jsoup.parse(newFile("C:/Users/zkpkhua/Desktop/yiibai-index"),"utf-8");Stringdescription=document.select("meta[name=description]").get(0).attr("content");System.out.println("Metadescription:"+description);Stringkeywords=document.select("meta[name=keywords]").first().attr("content");System.out.println("Metakeyword:"+keywords);}catch(IOExceptione){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。
Documentdoc=Jsoup.parse(newFile("c:/temp/yiibai-index"),"utf-8");ElementformElement=doc.getElementById("loginForm");ElementsinputElements=formElement.getElementsByTag("input");for(ElementinputElement:inputElements){Stringkey=inputElement.attr("name");Stringvalue=inputElement.attr("value");System.out.println("Paramname:"+key+"\nParamvalue:"+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:
Documentdoc=Jsoup.connect("open-open").get();Elementlink=doc.select("a").first();StringrelHref=link.attr("href");//输出:/StringabsHref=link.attr("abs:href");//输出:open-open/
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:
Stringunsafe="<p><ahref='csdn/'οnclick='attack()'>Link</a></p>";Stringsafe=Jsoup.clean(unsafe,Safelist.basic());//输出:<p><ahref="csdn/">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.Responseexecute=Jsoup.connect("csdn.net/").proxy("12.12.12.12",1080)//使用代理.execute();
“jsoup框架如何使用”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识可以关注主机评测网网站,小编将为大家输出更多高质量的实用文章!