Jsoup中文API

Jsoup 是一个 Java 库，专门用于处理和解析 HTML 文档。它的设计目的是使操作 HTML 简单而安全，特别是在网页抓取和数据提取方面。以下是对 Jsoup API 的详细解释，涵盖从解析到遍历、数据抽取、修改以及 HTML 清理等多个方面。 1. 解析和遍历一个 HTML 文档： Jsoup 使用内置的 HTML 解析器，能处理不完整的 HTML 结构，例如未闭合的标签。通过 `Jsoup.parse(String html)` 可以创建一个 `Document` 对象，表示整个 HTML 文档。`Document` 是 Jsoup 的核心对象，可以使用 DOM 遍历方法（如 `childNodes()`, `select()`, `getElementById()` 等）来访问和遍历其内部的元素和文本节点。 2. 解析一个 HTML 字符串： 如果 HTML 字符串来自用户输入或文件，可以使用 `Jsoup.parse(String html)` 或 `Jsoup.parse(String html, String baseUri)`。后者允许指定基本 URL，用于解析相对 URL。解析后得到的 `Document` 对象可用于进一步的数据提取和操作。 3. 解析一个 body 片断： 当你只有 HTML 片断时，可以使用 `Jsoup.parseBodyFragment(String html)`，这会创建一个只包含 `body` 元素的 `Document`。这样处理后的文档可以方便地插入到其他 HTML 文档中。 4. 数据抽取： - DOM 遍历：通过 `Element` 类的 `children()`, `child(int index)`, `parent()`, `siblingElements()` 等方法遍历元素树。 - 选择器语法：利用 CSS 选择器语法（如 `doc.select("p")` 或 `elem.select(".class")`）来查找特定元素。 - 属性、文本和 HTML 内容抽取：`elem.attr("attributeName")`, `elem.text()`, `elem.html()` 分别获取属性值、元素文本和元素的 HTML 内容。 5. URL 处理： Jsoup 可以处理 URL，确保相对 URL 转换为绝对 URL。在解析过程中，这有助于正确解析资源引用。 6. 数据修改： - 设置属性值：`elem.attr("attributeName", "newValue")` - 设置元素的 HTML 内容：`elem.html("<b>New HTML</b>")` - 设置元素的文本内容：`elem.text("New Text")` 7. HTML 清理： Jsoup 提供了消除不受信任 HTML 的功能，用以防止 XSS（跨站脚本）攻击。`Jsoup.clean()` 方法可以清理恶意或不安全的 HTML。 8. 示例：获取所有链接： 要提取文档中的所有链接，可以使用 `doc.select("a[href]")`，然后遍历结果集合，获取每个链接的 `href` 属性。 总结，Jsoup 是一个强大且易用的库，适用于解析、操作和清洗 HTML。它的 API 设计简洁，使得开发人员可以高效地处理 HTML 数据，无论是简单的网页抓取还是复杂的网页内容分析，Jsoup 都能提供强大的支持。