HelloWorld
登录

Jsoup总结

Stella981

2021-10-11

1223 0 0

声明：本人不享有该文章所有权。该内容全部摘抄至第三方。请尊重原有作者权益。

１解析和遍历一个HTML文档

如何解析一个HTML文档：

1String html = "<html><head><title>First parse</title></head>"
2  + "<body><p>Parsed HTML into a doc.</p></body></html>";
3Document doc = Jsoup.parse(html);

(更详细内容可查看 解析一个HTML字符串.)

其解析器能够尽最大可能从你提供的HTML文档来创见一个干净的解析结果，无论HTML的格式是否完整。比如它可以处理：

  • 没有关闭的标签 (比如： <p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>)
  • 隐式标签 (比如. 它可以自动将 <td>Table data</td>包装成<table><tr><td>?)
  • 创建可靠的文档结构（html标签包含head 和 body，在head只出现恰当的元素）

一个文档的对象模型

  • 文档由多个Elements和TextNodes组成 (以及其它辅助nodes：详细可查看：nodes package tree).
  • 其继承结构如下：Document继承Element继承Node. TextNode继承 Node.
  • 一个Element包含一个子节点集合，并拥有一个父Element。他们还提供了一个唯一的子元素过滤列表。

２.解析一个HTML字符串

存在问题

来自用户输入，一个文件或一个网站的HTML字符串，你可能需要对它进行解析并取其内容，或校验其格式是否完整，或想修改它。怎么办？jsonu能够帮你轻松解决这些问题

解决方法

使用静态Jsoup.parse(String html) 方法或 Jsoup.parse(String html, String baseUri)示例代码：

1String html = "<html><head><title>First parse</title></head>"
2  + "<body><p>Parsed HTML into a doc.</p></body></html>";
3Document doc = Jsoup.parse(html);

描述

parse(String html, String baseUri) 这方法能够将输入的HTML解析为一个新的文档 (Document），参数 baseUri 是用来将相对 URL 转成绝对URL，并指定从哪个网站获取文档。如这个方法不适用，你可以使用 parse(String html) 方法来解析成HTML字符串如上面的示例。.

只要解析的不是空字符串，就能返回一个结构合理的文档，其中包含(至少) 一个head和一个body元素。

一旦拥有了一个Document，你就可以使用Document中适当的方法或它父类 Element和Node中的方法来取得相关数据。

3.解析一个body片断

问题

假如你有一个HTML片断 (比如. 一个 div 包含一对 p 标签; 一个不完整的HTML文档) 想对它进行解析。这个HTML片断可以是用户提交的一条评论或在一个CMS页面中编辑body部分。

办法

使用Jsoup.parseBodyFragment(String html)方法.

1String html = "<div><p>Lorem ipsum.</p>";
2Document doc = Jsoup.parseBodyFragment(html);
3Element body = doc.body();

说明

parseBodyFragment 方法创建一个空壳的文档，并插入解析过的HTML到body元素中。假如你使用正常的 Jsoup.parse(String html) 方法，通常你也可以得到相同的结果，但是明确将用户输入作为 body片段处理，以确保用户所提供的任何糟糕的HTML都将被解析成body元素。

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。

保证安全Stay safe

假如你可以让用户输入HTML内容，那么要小心避免跨站脚本攻击。利用基于 Whitelist 的清除器和 clean(String bodyHtml, Whitelist whitelist)方法来清除用户输入的恶意内容。

4.从一个URL加载一个Document

存在问题

你需要从一个网站获取和解析一个HTML文档，并查找其中的相关数据。你可以使用下面解决方法：

解决方法

使用 Jsoup.connect(String url)方法:

1Document doc = Jsoup.connect("http://example.com/").get();
2String title = doc.title();

说明

connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。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，具体如下：

1Document doc = Jsoup.connect("http://example.com")
2  .data("query", "Java")
3  .userAgent("Mozilla")
4  .cookie("auth", "token")
5  .timeout(3000)
6  .post();

这个方法只支持Web URLs (http和https 协议); 假如你需要从一个文件加载，可以使用parse(File in, String charsetName) 代替。

5.从一个文件加载一个文档

问题

在本机硬盘上有一个HTML文件，需要对它进行解析从中抽取数据或进行修改。

办法

可以使用静态 Jsoup.parse(File in, String charsetName, String baseUri) 方法：

1File input = new File("/tmp/input.html");
2Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

说明

parse(File in, String charsetName, String baseUri) 这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误，将抛出IOException，应作适当处理。

baseUri 参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。

另外还有一个方法parse(File in, String charsetName) ，它使用文件的路径做为 baseUri。 这个方法适用于如果被解析文件位于网站的本地文件系统，且相关链接也指向该文件系统。

6.使用DOM方法来遍历一个文档

问题

你有一个HTML文档要从中提取数据，并了解这个HTML文档的结构。

方法

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。示例代码：

1File input = new File("/tmp/input.html");
2Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
3
4Element content = doc.getElementById("content");
5Elements links = content.getElementsByTag("a");
6for (Element link : links) {
7  String linkHref = link.attr("href");
8  String linkText = link.text();
9}

说明

Elements这个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。具体如下：

查找元素

元素数据

操作HTML和文本

７.使用选择器语法来查找元素

问题

你想使用类似于CSS或jQuery的语法来查找和操作元素。

方法

可以使用Element.select(String selector) 和 Elements.select(String selector) 方法实现：

1File input = new File("/tmp/input.html");
2Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
3
4Elements links = doc.select("a[href]"); //带有href属性的a元素
5Elements pngs = doc.select("img[src$=.png]");
6  //扩展名为.png的图片
7
8Element masthead = doc.select("div.masthead").first();
9  //class等于masthead的div标签
10
11Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素

说明

jsoup elements对象支持类似于CSS (或jquery)的选择器语法，来实现非常强大和灵活的查找功能。.

这个select 方法在Document, Element,或Elements对象中都可以使用。且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。

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。

Selector选择器概述

  • tagname: 通过标签查找元素，比如：a
  • ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 fb:name 元素
  • #id: 通过ID查找元素，比如：#logo
  • .class: 通过class名称查找元素，比如：.masthead
  • [attribute]: 利用属性查找元素，比如：[href]
  • [^attr]: 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
  • [attr=value]: 利用属性值来查找元素，比如：[width=500]
  • [attr^=value], [attr$=value], [attr*=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：[href*=/path/]
  • [attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i)\.(png|jpe?g)]
  • *: 这个符号将匹配所有元素

Selector选择器组合使用

  • 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]
  • 任意组合，比如：a[href].highlight
  • 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

伪选择器selectors

  • :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
  • :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): 查找自身包含文本匹配指定正则表达式的元素
  • 注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等

可以查看Selector API参考来了解更详细的内容

8.从元素抽取属性，文本和HTML

问题

在解析获得一个Document实例对象，并查找到一些元素之后，你希望取得在这些元素中的数据。

方法

示例：

1String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";
2Document doc = Jsoup.parse(html);//解析HTML字符串返回一个Document实现
3Element link = doc.select("a").first();//查找第一个a元素
4
5String text = doc.body().text(); // "An example link"//取得字符串中的文本
6String linkHref = link.attr("href"); // "http://example.com/"//取得链接地址
7String linkText = link.text(); // "example""//取得链接地址中的文本
8
9String linkOuterH = link.outerHtml(); 
10    // "<a href="http://example.com"><b>example</b></a>"
11String linkInnerH = link.html(); // "<b>example</b>"//取得链接内的html内容

说明

上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用：

这些访问器方法都有相应的setter方法来更改数据.

参见

9.处理URLs

问题

你有一个包含相对URLs路径的HTML文档，需要将这些相对路径转换成绝对路径的URLs。

方法

  1. 在你解析文档时确保有指定base URI，然后

  2. 使用 abs: 属性前缀来取得包含base URI的绝对路径。代码如下： 

    Document doc = Jsoup.connect("http://www.open-open.com").get();

    Element link = doc.select("a").first(); String relHref = link.attr("href"); // == "/" String absHref = link.attr("abs:href"); // "http://www.open-open.com/"

说明

在HTML元素中，URLs经常写成相对于文档位置的相对路径： <a href="https://my.oschina.net/download">...</a>. 当你使用 Node.attr(String key) 方法来取得a元素的href属性时，它将直接返回在HTML源码中指定定的值。

假如你需要取得一个绝对路径，需要在属性名前加 abs: 前缀。这样就可以返回包含根路径的URL地址attr("abs:href")

因此，在解析HTML文档时，定义base URI非常重要。

如果你不想使用abs: 前缀，还有一个方法能够实现同样的功能 Node.absUrl(String key)。

10.示例程序: 获取所有链接

这个示例程序将展示如何从一个URL获得一个页面。然后提取页面中的所有链接、图片和其它辅助内容。并检查URLs和文本信息。

运行下面程序需要指定一个URLs作为参数

1package org.jsoup.examples;
2
3import org.jsoup.Jsoup;
4import org.jsoup.helper.Validate;
5import org.jsoup.nodes.Document;
6import org.jsoup.nodes.Element;
7import org.jsoup.select.Elements;
8
9import java.io.IOException;
10
11/**
12 * Example program to list links from a URL.
13 */
14public class ListLinks {
15    public static void main(String[] args) throws IOException {
16        Validate.isTrue(args.length == 1, "usage: supply url to fetch");
17        String url = args[0];
18        print("Fetching %s...", url);
19
20        Document doc = Jsoup.connect(url).get();
21        Elements links = doc.select("a[href]");
22        Elements media = doc.select("[src]");
23        Elements imports = doc.select("link[href]");
24
25        print("\nMedia: (%d)", media.size());
26        for (Element src : media) {
27            if (src.tagName().equals("img"))
28                print(" * %s: <%s> %sx%s (%s)",
29                        src.tagName(), src.attr("abs:src"), src.attr("width"), src.attr("height"),
30                        trim(src.attr("alt"), 20));
31            else
32                print(" * %s: <%s>", src.tagName(), src.attr("abs:src"));
33        }
34
35        print("\nImports: (%d)", imports.size());
36        for (Element link : imports) {
37            print(" * %s <%s> (%s)", link.tagName(),link.attr("abs:href"), link.attr("rel"));
38        }
39
40        print("\nLinks: (%d)", links.size());
41        for (Element link : links) {
42            print(" * a: <%s>  (%s)", link.attr("abs:href"), trim(link.text(), 35));
43        }
44    }
45
46    private static void print(String msg, Object... args) {
47        System.out.println(String.format(msg, args));
48    }
49
50    private static String trim(String s, int width) {
51        if (s.length() > width)
52            return s.substring(0, width-1) + ".";
53        else
54            return s;
55    }
56}
57
58org/jsoup/examples/ListLinks.java

示例输入结果

1Fetching http://news.ycombinator.com/...
2
3Media: (38)
4 * img: <http://ycombinator.com/images/y18.gif> 18x18 ()
5 * img: <http://ycombinator.com/images/s.gif> 10x1 ()
6 * img: <http://ycombinator.com/images/grayarrow.gif> x ()
7 * img: <http://ycombinator.com/images/s.gif> 0x10 ()
8 * script: <http://www.co2stats.com/propres.php?s=1138>
9 * img: <http://ycombinator.com/images/s.gif> 15x1 ()
10 * img: <http://ycombinator.com/images/hnsearch.png> x ()
11 * img: <http://ycombinator.com/images/s.gif> 25x1 ()
12 * img: <http://mixpanel.com/site_media/images/mixpanel_partner_logo_borderless.gif> x (Analytics by Mixpan.)
13 
14Imports: (2)
15 * link <http://ycombinator.com/news.css> (stylesheet)
16 * link <http://ycombinator.com/favicon.ico> (shortcut icon)
17 
18Links: (141)
19 * a: <http://ycombinator.com>  ()
20 * a: <http://news.ycombinator.com/news>  (Hacker News)
21 * a: <http://news.ycombinator.com/newest>  (new)
22 * a: <http://news.ycombinator.com/newcomments>  (comments)
23 * a: <http://news.ycombinator.com/leaders>  (leaders)
24 * a: <http://news.ycombinator.com/jobs>  (jobs)
25 * a: <http://news.ycombinator.com/submit>  (submit)
26 * a: <http://news.ycombinator.com/x?fnid=JKhQjfU7gW>  (login)
27 * a: <http://news.ycombinator.com/vote?for=1094578&dir=up&whence=%6e%65%77%73>  ()
28 * a: <http://www.readwriteweb.com/archives/facebook_gets_faster_debuts_homegrown_php_compiler.php?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+readwriteweb+%28ReadWriteWeb%29&utm_content=Twitter>  (Facebook speeds up PHP)
29 * a: <http://news.ycombinator.com/user?id=mcxx>  (mcxx)
30 * a: <http://news.ycombinator.com/item?id=1094578>  (9 comments)
31 * a: <http://news.ycombinator.com/vote?for=1094649&dir=up&whence=%6e%65%77%73>  ()
32 * a: <http://groups.google.com/group/django-developers/msg/a65fbbc8effcd914>  ("Tough. Django produces XHTML.")
33 * a: <http://news.ycombinator.com/user?id=andybak>  (andybak)
34 * a: <http://news.ycombinator.com/item?id=1094649>  (3 comments)
35 * a: <http://news.ycombinator.com/vote?for=1093927&dir=up&whence=%6e%65%77%73>  ()
36 * a: <http://news.ycombinator.com/x?fnid=p2sdPLE7Ce>  (More)
37 * a: <http://news.ycombinator.com/lists>  (Lists)
38 * a: <http://news.ycombinator.com/rss>  (RSS)
39 * a: <http://ycombinator.com/bookmarklet.html>  (Bookmarklet)
40 * a: <http://ycombinator.com/newsguidelines.html>  (Guidelines)
41 * a: <http://ycombinator.com/newsfaq.html>  (FAQ)
42 * a: <http://ycombinator.com/newsnews.html>  (News News)
43 * a: <http://news.ycombinator.com/item?id=363>  (Feature Requests)
44 * a: <http://ycombinator.com>  (Y Combinator)
45 * a: <http://ycombinator.com/w2010.html>  (Apply)
46 * a: <http://ycombinator.com/lib.html>  (Library)
47 * a: <http://www.webmynd.com/html/hackernews.html>  ()
48 * a: <http://mixpanel.com/?from=yc>  ()

11.设置属性的值

问题

在你解析一个Document之后可能想修改其中的某些属性值，然后再保存到磁盘或都输出到前台页面。

方法

可以使用属性设置方法 Element.attr(String key, String value), 和 Elements.attr(String key, String value).

假如你需要修改一个元素的 class 属性，可以使用 Element.addClass(String className) 和Element.removeClass(String className) 方法。

Elements 提供了批量操作元素属性和class的方法，比如：要为div中的每一个a元素都添加一个rel="nofollow" 可以使用如下方法：

doc.select("div.comments a").attr("rel", "nofollow");

说明

与Element中的其它方法一样，attr 方法也是返回当 Element (或在使用选择器是返回 Elements集合)。这样能够很方便使用方法连用的书写方式。比如：

doc.select("div.masthead").attr("title", "jsoup").addClass("round-box");

12.设置一个元素的HTML内容

问题

你需要一个元素中的HTML内容

方法

可以使用Element中的HTML设置方法具体如下：

1Element div = doc.select("div").first(); // <div></div>
2div.html("<p>lorem ipsum</p>"); // <div><p>lorem ipsum</p></div>
3div.prepend("<p>First</p>");//在div前添加html内容
4div.append("<p>Last</p>");//在div之后添加html内容
5// 添完后的结果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div>
6
7Element span = doc.select("span").first(); // <span>One</span>
8span.wrap("<li><a href='http://example.com/'></a></li>");
9// 添完后的结果: <li><a href="http://example.com"><span>One</span></a></li>

说明

参见

可以查看API参考文档中 Element.prependElement(String tag)和Element.appendElement(String tag) 方法来创建新的元素并作为文档的子元素插入其中。

13.设置元素的文本内容

问题

你需要修改一个HTML文档中的文本内容

方法

可以使用Element的设置方法：:

1Element div = doc.select("div").first(); // <div></div>
2div.text("five > four"); // <div>five &gt; four</div>
3div.prepend("First ");
4div.append(" Last");
5// now: <div>First five &gt; four Last</div>

说明

文本设置方法与 HTML setter 方法一样：

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。

14.消除不受信任的HTML (来防止XSS攻击)

问题

在做网站的时候，经常会提供用户评论的功能。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cross-site scripting攻击（XSS）。

方法

使用jsoup HTML Cleaner 方法进行清除，但需要指定一个可配置的 Whitelist。

1String unsafe = 
2  "<p><a href='http://example.com/' onclick='stealCookies()'>Link</a></p>";
3String safe = Jsoup.clean(unsafe, Whitelist.basic());
4// now: <p><a href="http://example.com/" rel="nofollow">Link</a></p>

说明

XSS又叫CSS (Cross Site Script) ，跨站脚本攻击。它指的是恶意攻击者往Web页面里插入恶意html代码，当用户浏览该页之时，嵌入其中Web里面的html代码会被执行，从而达到恶意攻击用户的特殊目的。XSS属于被动式的攻击，因为其被动且不好利用，所以许多人常忽略其危害性。所以我们经常只让用户输入纯文本的内容，但这样用户体验就比较差了。

一个更好的解决方法就是使用一个富文本编辑器WYSIWYG如CKEditor 和 TinyMCE。这些可以输出HTML并能够让用户可视化编辑。虽然他们可以在客户端进行校验，但是这样还不够安全，需要在服务器端进行校验并清除有害的HTML代码，这样才能确保输入到你网站的HTML是安全的。否则，攻击者能够绕过客户端的Javascript验证，并注入不安全的HMTL直接进入您的网站。

jsoup的whitelist清理器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。

jsoup提供了一系列的Whitelist基本配置，能够满足大多数要求；但如有必要，也可以进行修改，不过要小心。

这个cleaner非常好用不仅可以避免XSS攻击，还可以限制用户可以输入的标签范围。

参见

  • 参阅XSS cheat sheet ，有一个例子可以了解为什么不能使用正则表达式，而采用安全的whitelist parser-based清理器才是正确的选择。
  • 参阅Cleaner ，了解如何返回一个 Document 对象，而不是字符串
  • 参阅Whitelist，了解如何创建一个自定义的whitelist
  • nofollow 链接属性了解
点赞
收藏

评论区

加载中...

相关推荐

MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1

文章目录问题用navicat导入数据时，报错：原因这是因为当前的MySQL不支持datetime为0的情况。解决修改sql\mode:sql\mode:SQLMode定义了MySQL应支持的SQL语法、数据校验等，这样可以更容易地在不同的环境中使用MySQL。全局s

Oracle 分组与拼接字符串同时使用

SELECTT.,ROWNUMIDFROM(SELECTT.EMPLID,T.NAME,T.BU,T.REALDEPART,T.FORMATDATE,SUM(T.S0)S0,MAX(UPDATETIME)CREATETIME,LISTAGG(TOCHAR(

MySQL部分从库上面因为大量的临时表tmp_table造成慢查询

背景描述Time:20190124T00:08:14.70572408:00User@Host:@Id:Schema:sentrymetaLast_errno:0Killed:0Query_time:0.315758Lock_

皕杰报表之UUID

​在我们用皕杰报表工具设计填报报表时，如何在新增行里自动增加id呢？能新增整数排序id吗？目前可以在新增行里自动增加id，但只能用uuid函数增加UUID编码，不能新增整数排序id。uuid函数说明：获取一个UUID，可以在填报表中用来创建数据ID语法：uuid()或uuid(sep)参数说明：sep布尔值，生成的uuid中是否包含分隔符''，缺省为

手写Java HashMap源码

HashMap的使用教程HashMap的使用教程HashMap的使用教程HashMap的使用教程HashMap的使用教程22

2020年前端实用代码段，为你的工作保驾护航

有空的时候，自己总结了几个代码段，在开发中也经常使用，谢谢。1、使用解构获取json数据let jsonData  id: 1,status: "OK",data: 'a', 'b';let  id, status, data: number   jsonData;console.log(id, status, number )