中文文档"/>
Jsoup解析Html中文文档
Jsoup解析Html中文文档
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 IBM DW 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;
官网地址:/
jsoup Cookbook(中文版)
入门
1.解析和遍历一个html文档
输入
2.解析一个html字符串
3.解析一个body片断
4.根据一个url加载Document对象
5.根据一个文件加载Document对象
数据抽取
6.使用dom方法来遍历一个Document对象
7.使用选择器语法来查找元素
8.从元素集合抽取属性、文本和html内容
9.URL处理
10.程序示例:获取所有链接
数据修改
11.设置属性值
12.设置元素的html内容
13.设置元素的文本内容
html清理
14.消除不受信任的html (来防止xss攻击)
1.解析和遍历一个HTML文档
如何解析一个HTML文档:
1 2 3 | String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>" ; Document 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。
参见
数据抽取:DOM遍历
数据抽取:Selector syntax
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:
1 2 3 | String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>" ; Document 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.
1 2 3 | String html = "<div><p>Lorem ipsum.</p>" ; Document doc = Jsoup.parseBodyFragment(html); Element 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:
1 2 | Document doc = Jsoup.connect( "/" ).get(); String 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:
1 2 3 4 5 6 | Document doc = Jsoup.connect( "" ) .data( "query" , "Java" ) .userAgent( "Mozilla" ) .cookie( "auth" , "token" ) .timeout( 3000 ) .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:
1 2 | File input = new File( "/tmp/input.html" ); Document doc = Jsoup.parse(input, "UTF-8" , "/" ); |
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:
1 2 3 4 5 6 7 8 9 | File input = new File( "/tmp/input.html" ); Document doc = Jsoup.parse(input, "UTF-8" , "/" ); Element content = doc.getElementById( "content" ); Elements links = content.getElementsByTag( "a" ); for (Element link : links) { String linkHref = link.attr( "href" ); String linkText = link.text(); } |
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
getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key)
(and related methods)- Element siblings:
siblingElements()
,firstElementSibling()
,lastElementSibling()
;nextElementSibling()
,previousElementSibling()
- Graph:
parent()
,children()
,child(int index)
元素数据
attr(String key)
获取属性attr(String key, String value)
设置属性attributes()
获取所有属性id()
,className()
andclassNames()
text()
获取文本内容text(String value)
设置文本内容html()
获取元素内HTMLhtml(String value)
设置元素内的HTML内容outerHtml()
获取元素外HTML内容data()
获取数据内容(例如:script和style标签)tag()
andtagName()
操作HTML和文本
append(String html)
,prepend(String html)
appendText(String text)
,prependText(String text)
appendElement(String tagName)
,prependElement(String tagName)
html(String value)
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:
1 2 3 4 5 6 7 8 9 10 11 | File input = new File( "/tmp/input.html" ); Document doc = Jsoup.parse(input, "UTF-8" , "/" ); Elements links = doc.select( "a[href]" ); //带有href属性的a元素 Elements pngs = doc.select( "img[src$=.png]" ); //扩展名为.png的图片 Element masthead = doc.select( "div.masthead" ).first(); //class等于masthead的div标签 Elements resultLinks = doc.select( "h3.r > a" ); //在h3元素之后的a元素 |
说明
jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.
这个select
方法在Document
, Element
,或Elements
对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。
Select方法将返回一个Elements
集合,并提供一组方法来抽取和处理结果。
Selector选择器概述
tagname
: 通过标签查找元素,比如:a
ns|tag
: 通过标签在命名空间查找元素,比如:可以用fb|name
语法来查找<fb:name>
元素#id
: 通过ID查找元素,比如:#logo
.class
: 通过class名称查找元素,比如:.masthead
[attribute]
: 利用属性查找元素,比如:[href]
[^attr]
: 利用属性名前缀来查找元素,比如:可以用[^data-]
来查找带有HTML5 Dataset属性的元素[attr=value]
: 利用属性值来查找元素,比如:[width=500]
[attr^=value]
,[attr$=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
- 要取得一个属性的值,可以使用
Node.attr(String key)
方法 - 对于一个元素中的文本,可以使用
Element.text()
方法 - 对于要取得元素或属性中的HTML内容,可以使用
Element.html()
, 或Node.outerHtml()
方法
示例:
?1 2 3 4 5 6 7 8 9 10 11 | String html = "<p>An <a href='/'><b>example</b></a> link.</p>" ; Document doc = Jsoup.parse(html); //解析HTML字符串返回一个Document实现 Element link = doc.select( "a" ).first(); //查找第一个a元素 String text = doc.body().text(); // "An example link"//取得字符串中的文本 String linkHref = link.attr( "href" ); // "/"//取得链接地址 String linkText = link.text(); // "example""//取得链接地址中的文本 String linkOuterH = link.outerHtml(); // "<a href=""><b>example</b></a>" String 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:
Element.id()
Element.tagName()
Element.className()
andElement.hasClass(String className)
这些访问器方法都有相应的setter方法来更改数据.
参见
Element
和Elements
集合类的参考文档- URLs处理
- 使用CSS选择器语法来查找元素
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
- 在你解析文档时确保有指定
base URI
,然后 - 使用
abs:
属性前缀来取得包含base URI
的绝对路径。代码如下: ?1 2 3 4 5 Document doc = Jsoup.connect(
""
).get();
Element link = doc.select(
"a"
).first();
String relHref = link.attr(
"href"
);
// == "/"
String absHref = link.attr(
"abs:href"
);
// "/"
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="/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
?1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 | import org.jsoup.Jsoup; import org.jsoup.helper.Validate; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; import java.io.IOException; /** * Example program to list links from a URL. */ public class ListLinks { public static void main(String[] args) throws IOException { // Validate.isTrue(args.length == 1, "usage: supply url to fetch"); String url = "/" ; print( "Fetching %s..." , url); Document doc = Jsoup.connect(url).get(); Elements links = doc.select( "a[href]" ); //"a[href]" //带有href属性的a元素 Elements media = doc.select( "[src]" ); //利用属性查找元素,比如:[href] Elements imports = doc.select( "link[href]" ); print( "\nMedia: (%d)" , media.size()); for (Element src : media) { if (src.tagName().equals( "img" )) print( " * %s: <%s> %sx%s (%s)" , src.tagName(), src.attr( "abs:src" ), src.attr( "width" ), src.attr( "height" ), trim(src.attr( "alt" ), 20 )); //src.attr("src")结果:<y18.gif> 18x18 () //src.attr("abs:src")结果:<.gif> 18x18 () else print( " * %s: <%s>" , src.tagName(), src.attr( "abs:src" )); } print( "\nImports: (%d)" , imports.size()); for (Element link : imports) { print( " * %s <%s> (%s)" , link.tagName(),link.attr( "abs:href" ), link.attr( "rel" )); } print( "\nLinks: (%d)" , links.size()); for (Element link : links) { print( " * a: <%s> (%s)" , link.attr( "abs:href" ), trim(link.text(), 35 )); } } private static void print(String msg, Object... args) { System.out.println(String.format(msg, args)); } private static String trim(String s, int width) { if (s.length() > width) return s.substring( 0 , width- 1 ) + "." ; else return s; } } //org/jsoup/examples/ListLinks.java |
示例输入结果:
?1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 | Fetching http: //news.ycombinator/... Media: ( 38 ) * img: <http: //ycombinator/images/y18.gif> 18x18 () * img: <http: //ycombinator/images/s.gif> 10x1 () * img: <http: //ycombinator/images/grayarrow.gif> x () * img: <http: //ycombinator/images/s.gif> 0x10 () * script: <http: //www.co2stats/propres.php?s=1138> * img: <http: //ycombinator/images/s.gif> 15x1 () * img: <http: //ycombinator/images/hnsearch.png> x () * img: <http: //ycombinator/images/s.gif> 25x1 () * img: <http: //mixpanel/site_media/images/mixpanel_partner_logo_borderless.gif> x (Analytics by Mixpan.) Imports: ( 2 ) * link <http: //ycombinator/news.css> (stylesheet) * link <http: //ycombinator/favicon.ico> (shortcut icon) Links: ( 141 ) * a: <http: //ycombinator> () * a: <http: //news.ycombinator/news> (Hacker News) * a: <http: //news.ycombinator/newest> (new) * a: <http: //news.ycombinator/newcomments> (comments) * a: <http: //news.ycombinator/leaders> (leaders) * a: <http: //news.ycombinator/jobs> (jobs) * a: <http: //news.ycombinator/submit> (submit) * a: <http: //news.ycombinator/x?fnid=JKhQjfU7gW> (login) * a: <http: //news.ycombinator/vote?for=1094578&dir=up&whence=%6e%65%77%73> () * a: <http: //www.readwriteweb/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) * a: <http: //news.ycombinator/user?id=mcxx> (mcxx) * a: <http: //news.ycombinator/item?id=1094578> (9 comments) * a: <http: //news.ycombinator/vote?for=1094649&dir=up&whence=%6e%65%77%73> () * a: <http: //groups.google/group/django-developers/msg/a65fbbc8effcd914> ("Tough. Django produces XHTML.") * a: <http: //news.ycombinator/user?id=andybak> (andybak) * a: <http: //news.ycombinator/item?id=1094649> (3 comments) * a: <http: //news.ycombinator/vote?for=1093927&dir=up&whence=%6e%65%77%73> () * a: <http: //news.ycombinator/x?fnid=p2sdPLE7Ce> (More) * a: <http: //news.ycombinator/lists> (Lists) * a: <http: //news.ycombinator/rss> (RSS) * a: <http: //ycombinator/bookmarklet.html> (Bookmarklet) * a: <http: //ycombinator/newsguidelines.html> (Guidelines) * a: <http: //ycombinator/newsfaq.html> (FAQ) * a: <http: //ycombinator/newsnews.html> (News News) * a: <http: //news.ycombinator/item?id=363> (Feature Requests) * a: <http: //ycombinator> (Y Combinator) * a: <http: //ycombinator/w2010.html> (Apply) * a: <http: //ycombinator/lib.html> (Library) * a: <http: //www.webmynd/html/hackernews.html> () * a: <http: //mixpanel/?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:
1 | doc.select( "divments 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:
1 | 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:
1 2 3 4 5 6 7 8 9 | Element div = doc.select( "div" ).first(); // <div></div> div.html( "<p>lorem ipsum</p>" ); // <div><p>lorem ipsum</p></div> div.prepend( "<p>First</p>" ); //在div前添加html内容 div.append( "<p>Last</p>" ); //在div之后添加html内容 // 添完后的结果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div> Element span = doc.select( "span" ).first(); // <span>One</span> span.wrap( "<li><a href='/'></a></li>" ); // 添完后的结果: <li><a href=""><span>One</span></a></li> |
说明
Element.html(String html)
这个方法将先清除元素中的HTML内容,然后用传入的HTML代替。Element.prepend(String first)
和Element.append(String last)
方法用于在分别在元素内部HTML的前面和后面添加HTML内容Element.wrap(String around)
对元素包裹一个外部HTML内容。
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::
1 2 3 4 5 | Element div = doc.select( "div" ).first(); // <div></div> div.text( "five > four" ); // <div>five > four</div> div.prepend( "First " ); div.append( " Last" ); // now: <div>First five > four Last</div> |
说明
文本设置方法与 HTML setter 方法一样:
Element.text(String text)
将清除一个元素中的内部HTML内容,然后提供的文本进行代替Element.prepend(String first)
和Element.append(String last)
将分别在元素的内部html前后添加文本节点。
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
。
1 2 3 4 | String unsafe = "<p><a href='/' onclick='stealCookies()'>Link</a></p>" ; String safe = Jsoup.clean(unsafe, Whitelist.basic()); // now: <p><a href="/" 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
转发请注明出处:.html
如果您觉得阅读本文对您有帮助,请点一下�?推荐”按钮,您的“推荐�?将是我最大的写作动力!欢迎各位转载,但是未经作者本人同意,转载文章之后必须在文章页面明显位置给出作者和原文连接,否则保留追究法律责任的权利�?分类: android学习 好文要顶 关注我 收藏该文 超超boy
关注 - 20
粉丝 - 75 +加关注 5 1 « 上一篇: dom4j创建xml
» 下一篇: android Json详解
</div><div class="postDesc">posted @ <span id="post-date">2015-09-09 11:08</span> <a href="/">超超boy</a> 阅读(<span id="post_view_count">29614</span>) 评论(<span id="post_comment_count">2</span>) <a href=".aspx?postid=4794049" rel="nofollow">编辑</a> <a href="#" onclick="AddToWz(4794049);return false;">收藏</a></div>
</div>
<script type="text/javascript">var allowComments=true,cb_blogId=238784,cb_entryId=4794049,cb_blogApp=currentBlogApp,cb_blogUserGuid='269f3a23-2be8-e411-b908-9dcfd8948a71',cb_entryCreatedDate='2015/9/9 11:08:00';loadViewCount(cb_entryId);var cb_postType=1;var isMarkdown=false;</script>
评论列表
<div class="feedbackItem"><div class="feedbackListSubtitle"><div class="feedbackManage"> <span class="comment_actions"></span></div><a href="#3896069" class="layer">#1楼</a><a name="3896069" id="comment_anchor_3896069"></a> <span class="comment_date">2018-01-24 00:47</span> <a id="a_comment_author_3896069" href="/" target="_blank">lizhenlzlz</a> <a href="" title="发送站内短消息" class="sendMsg2This"> </a></div><div class="feedbackCon"><div id="comment_body_3896069" class="blog_comment_body">对我有用</div><div class="comment_vote"><a href="javascript:void(0);" class="comment_digg" onclick="return voteComment(3896069,'Digg',this)">支持(0)</a><a href="javascript:void(0);" class="comment_bury" onclick="return voteComment(3896069,'Bury',this)">反对(0)</a></div></div></div><div class="feedbackItem"><div class="feedbackListSubtitle"><div class="feedbackManage"> <span class="comment_actions"></span></div><a href="#4098607" class="layer">#2楼</a><a name="4098607" id="comment_anchor_4098607"></a><span id="comment-maxId" style="display:none;">4098607</span><span id="comment-maxDate" style="display:none;">2018/10/25 16:09:57</span> <span class="comment_date">2018-10-25 16:09</span> <a id="a_comment_author_4098607" href="/" target="_blank">公子扶摇</a> <a href="/%E5%85%AC%E5%AD%90%E6%89%B6%E6%91%87" title="发送站内短消息" class="sendMsg2This"> </a></div><div class="feedbackCon"><div id="comment_body_4098607" class="blog_comment_body">Let's try GraphQuery, a more powerful HTML/XML parsing language. Project: <a href="" target="_blank">;/a></div><div class="comment_vote"><a href="javascript:void(0);" class="comment_digg" onclick="return voteComment(4098607,'Digg',this)">支持(0)</a><a href="javascript:void(0);" class="comment_bury" onclick="return voteComment(4098607,'Bury',this)">反对(0)</a></div><span id="comment_4098607_avatar" style="display:none;">.png</span></div></div>
<div id="comments_pager_bottom"></div></div><script type="text/javascript">var commentManager = new blogCommentManager();commentManager.renderComments(0);</script>
刷新评论 刷新页面 返回顶部 注册用户登录后才能发表评论,请 登录 或 注册, 访问网站首页。 【推荐】超50万VC++源码: 大型组态工控、电力仿真CAD与GIS源码库! </div><!--end: forFlow -->
</div><!--end: mainContent 主体内容容器--><div id="sideBar"><div id="sideBarMain">
公告
昵称: 超超boy园龄: 3年9个月
粉丝: 75
关注: 20 +加关注
<div id="blog-calendar" style=""><table id="blogCalendar" class="Cal" cellspacing="0" cellpadding="0" title="Calendar">
<tbody><tr><td colspan="7"><table class="CalTitle" cellspacing="0"><tbody><tr><td class="CalNextPrev"><a href="javascript:void(0);" onclick="loadBlogCalendar('2018/12/01');return false;"><</a></td><td align="center">2019年1月</td><td class="CalNextPrev" align="right"><a href="javascript:void(0);" onclick="loadBlogCalendar('2019/02/01');return false;">></a></td></tr>
</tbody></table></td></tr><tr><th class="CalDayHeader" align="center" abbr="日" scope="col">日</th><th class="CalDayHeader" align="center" abbr="一" scope="col">一</th><th class="CalDayHeader" align="center" abbr="二" scope="col">二</th><th class="CalDayHeader" align="center" abbr="三" scope="col">三</th><th class="CalDayHeader" align="center" abbr="四" scope="col">四</th><th class="CalDayHeader" align="center" abbr="五" scope="col">五</th><th class="CalDayHeader" align="center" abbr="六" scope="col">六</th></tr><tr><td class="CalOtherMonthDay" align="center">30</td><td class="CalOtherMonthDay" align="center">31</td><td align="center">1</td><td align="center">2</td><td align="center">3</td><td align="center">4</td><td class="CalWeekendDay" align="center">5</td></tr><tr><td class="CalWeekendDay" align="center">6</td><td align="center">7</td><td align="center">8</td><td align="center">9</td><td align="center">10</td><td align="center">11</td><td class="CalWeekendDay" align="center">12</td></tr><tr><td class="CalWeekendDay" align="center">13</td><td align="center">14</td><td align="center">15</td><td align="center">16</td><td align="center">17</td><td align="center">18</td><td class="CalWeekendDay" align="center">19</td></tr><tr><td class="CalWeekendDay" align="center">20</td><td align="center">21</td><td align="center">22</td><td class="CalTodayDay" align="center">23</td><td align="center">24</td><td align="center">25</td><td class="CalWeekendDay" align="center">26</td></tr><tr><td class="CalWeekendDay" align="center">27</td><td align="center">28</td><td align="center">29</td><td align="center">30</td><td align="center">31</td><td class="CalOtherMonthDay" align="center">1</td><td class="CalOtherMonthDay" align="center">2</td></tr><tr><td class="CalOtherMonthDay" align="center">3</td><td class="CalOtherMonthDay" align="center">4</td><td class="CalOtherMonthDay" align="center">5</td><td class="CalOtherMonthDay" align="center">6</td><td class="CalOtherMonthDay" align="center">7</td><td class="CalOtherMonthDay" align="center">8</td><td class="CalOtherMonthDay" align="center">9</td></tr>
<div id="leftcontentcontainer"><div id="blog-sidecolumn"><div id="sidebar_search" class="sidebar-block">
搜索
常用链接
- 我的随笔
- 我的评论
- 我的参与
- 最新评论
- 我的标签
随笔分类(150)
- Android进阶(20)
- android学习(35)
- C/C++基础总结(5)
- GoogleTest单元测试(11)
- JavaEE(3)
- java读书笔记(1)
- java总结(24)
- kafka(1)
- Linux学习(5)
- mysql数据库(7)
- NoSql数据库(7)
- SQL Server(1)
- 笔试面试(5)
- 操作系统(1)
- 计算机网络(2)
- 其他(4)
- 设计模式(2)
- 数据结构(1)
- 数据库原理(2)
- 算法(7)
- 杂谈(6)
-
随笔档案(146)
- 2018年12月 (2)
- 2018年4月 (4)
- 2018年1月 (2)
- 2017年12月 (1)
- 2017年11月 (1)
- 2017年9月 (1)
- 2017年8月 (1)
- 2017年4月 (2)
- 2017年3月 (1)
- 2017年2月 (10)
- 2016年12月 (9)
- 2016年11月 (8)
- 2016年10月 (3)
- 2016年9月 (4)
- 2016年8月 (9)
- 2016年7月 (7)
- 2016年6月 (4)
- 2016年5月 (5)
- 2016年4月 (10)
- 2016年3月 (16)
- 2016年2月 (8)
- 2016年1月 (6)
- 2015年12月 (2)
- 2015年11月 (8)
- 2015年10月 (3)
- 2015年9月 (7)
- 2015年8月 (12)
-
文章分类
- J2EE
-
积分与排名
- 积分 - 252832
- 排名 - 1082
阅读排行榜
- 1. Gradle's dependency cache may be corrupt解决方法(31405)
- 2. Jsoup解析Html中文文档(29613)
- 3. c++引用总结(26019)
- 4. javaWeb项目的classpath说明(20782)
- 5. GridView总结二:GridView自带编辑删除更新(20570)
评论排行榜
- 1. 超级课程表原理解析(如何获取网页内容)(30)
- 2. 如何在 Github 上发现优秀的开源项目?(18)
- 3. 一个大四毕业生想对自学Android的大学生说一些话(7)
- 4. Google C++单元测试框架GoogleTest(总)(5)
- 5. c++中的数据类型(4)
推荐排行榜
- 1. 超级课程表原理解析(如何获取网页内容)(7)
- 2. Google C++单元测试框架GoogleTest---Google Mock简介--概念及基础语法(6)
- 3. 如何在 Github 上发现优秀的开源项目?(6)
- 4. Jsoup解析Html中文文档(5)
- 5. c++引用总结(5)
</div><!--end: sideBarMain --> </div><!--end: sideBar 侧边栏容器 --> <div class="clear"></div> </div>回主页"></a>
超超boy
</div><!--end: blogTitle 博客的标题和副标题 --> <div id="navigator">
<div id="blog_stats">
随笔 - 146
文章 - 0
评论 - 80</div><!--end: blogStats --> </div><!--end: navigator 博客导航栏 -->
<div id="post_detail">
Jsoup解析Html中文文档
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 IBM DW 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;官网地址:/
jsoup Cookbook(中文版)
入门
1.解析和遍历一个html文档
输入
2.解析一个html字符串
3.解析一个body片断
4.根据一个url加载Document对象
5.根据一个文件加载Document对象
数据抽取
6.使用dom方法来遍历一个Document对象
7.使用选择器语法来查找元素
8.从元素集合抽取属性、文本和html内容
9.URL处理
10.程序示例:获取所有链接
数据修改
11.设置属性值
12.设置元素的html内容
13.设置元素的文本内容
html清理
14.消除不受信任的html (来防止xss攻击)1.解析和遍历一个HTML文档
?
如何解析一个HTML文档:1 2 3 String html =
"<html><head><title>First parse</title></head>"
+
"<body><p>Parsed HTML into a doc.</p></body></html>"
;
Document 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。
参见
数据抽取:DOM遍历
数据抽取:Selector syntax2.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:1 2 3 String html =
"<html><head><title>First parse</title></head>"
+
"<body><p>Parsed HTML into a doc.</p></body></html>"
;
Document 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.1 2 3 String html =
"<div><p>Lorem ipsum.</p>"
;
Document doc = Jsoup.parseBodyFragment(html);
Element 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:1 2 Document doc = Jsoup.connect(
"/"
).get();
String 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:1 2 3 4 5 6 Document doc = Jsoup.connect(
""
)
.data(
"query"
,
"Java"
)
.userAgent(
"Mozilla"
)
.cookie(
"auth"
,
"token"
)
.timeout(
3000
)
.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:1 2 File input =
new
File(
"/tmp/input.html"
);
Document doc = Jsoup.parse(input,
"UTF-8"
,
"/"
);
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:1 2 3 4 5 6 7 8 9 File input =
new
File(
"/tmp/input.html"
);
Document doc = Jsoup.parse(input,
"UTF-8"
,
"/"
);
Element content = doc.getElementById(
"content"
);
Elements links = content.getElementsByTag(
"a"
);
for
(Element link : links) {
String linkHref = link.attr(
"href"
);
String linkText = link.text();
}
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
getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key)
(and related methods)- Element siblings:
siblingElements()
,firstElementSibling()
,lastElementSibling()
;nextElementSibling()
,previousElementSibling()
- Graph:
parent()
,children()
,child(int index)
元素数据
attr(String key)
获取属性attr(String key, String value)
设置属性attributes()
获取所有属性id()
,className()
andclassNames()
text()
获取文本内容text(String value)
设置文本内容html()
获取元素内HTMLhtml(String value)
设置元素内的HTML内容outerHtml()
获取元素外HTML内容data()
获取数据内容(例如:script和style标签)tag()
andtagName()
操作HTML和文本
append(String html)
,prepend(String html)
appendText(String text)
,prependText(String text)
appendElement(String tagName)
,prependElement(String tagName)
html(String value)
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:1 2 3 4 5 6 7 8 9 10 11 File input =
new
File(
"/tmp/input.html"
);
Document doc = Jsoup.parse(input,
"UTF-8"
,
"/"
);
Elements links = doc.select(
"a[href]"
);
//带有href属性的a元素
Elements pngs = doc.select(
"img[src$=.png]"
);
//扩展名为.png的图片
Element masthead = doc.select(
"div.masthead"
).first();
//class等于masthead的div标签
Elements resultLinks = doc.select(
"h3.r > a"
);
//在h3元素之后的a元素
说明
jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.
这个
select
方法在Document
,Element
,或Elements
对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。Select方法将返回一个
Elements
集合,并提供一组方法来抽取和处理结果。Selector选择器概述
tagname
: 通过标签查找元素,比如:a
ns|tag
: 通过标签在命名空间查找元素,比如:可以用fb|name
语法来查找<fb:name>
元素#id
: 通过ID查找元素,比如:#logo
.class
: 通过class名称查找元素,比如:.masthead
[attribute]
: 利用属性查找元素,比如:[href]
[^attr]
: 利用属性名前缀来查找元素,比如:可以用[^data-]
来查找带有HTML5 Dataset属性的元素[attr=value]
: 利用属性值来查找元素,比如:[width=500]
[attr^=value]
,[attr$=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
- 要取得一个属性的值,可以使用
Node.attr(String key)
方法 - 对于一个元素中的文本,可以使用
Element.text()
方法 - 对于要取得元素或属性中的HTML内容,可以使用
Element.html()
, 或Node.outerHtml()
方法
示例:
?1 2 3 4 5 6 7 8 9 10 11 String html =
"<p>An <a href='/'><b>example</b></a> link.</p>"
;
Document doc = Jsoup.parse(html);
//解析HTML字符串返回一个Document实现
Element link = doc.select(
"a"
).first();
//查找第一个a元素
String text = doc.body().text();
// "An example link"//取得字符串中的文本
String linkHref = link.attr(
"href"
);
// "/"//取得链接地址
String linkText = link.text();
// "example""//取得链接地址中的文本
String linkOuterH = link.outerHtml();
// "<a href=""><b>example</b></a>"
String 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:
Element.id()
Element.tagName()
Element.className()
andElement.hasClass(String className)
这些访问器方法都有相应的setter方法来更改数据.
参见
Element
和Elements
集合类的参考文档- URLs处理
- 使用CSS选择器语法来查找元素
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
- 在你解析文档时确保有指定
base URI
,然后 - 使用
abs:
属性前缀来取得包含base URI
的绝对路径。代码如下: ?1 2 3 4 5 Document doc = Jsoup.connect(
""
).get();
Element link = doc.select(
"a"
).first();
String relHref = link.attr(
"href"
);
// == "/"
String absHref = link.attr(
"abs:href"
);
// "/"
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="/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
?1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 import
org.jsoup.Jsoup;
import
org.jsoup.helper.Validate;
import
org.jsoup.nodes.Document;
import
org.jsoup.nodes.Element;
import
org.jsoup.select.Elements;
import
java.io.IOException;
/**
* Example program to list links from a URL.
*/
public
class
ListLinks {
public
static
void
main(String[] args)
throws
IOException {
// Validate.isTrue(args.length == 1, "usage: supply url to fetch");
String url =
"/"
;
print(
"Fetching %s..."
, url);
Document doc = Jsoup.connect(url).get();
Elements links = doc.select(
"a[href]"
);
//"a[href]" //带有href属性的a元素
Elements media = doc.select(
"[src]"
);
//利用属性查找元素,比如:[href]
Elements imports = doc.select(
"link[href]"
);
print(
"\nMedia: (%d)"
, media.size());
for
(Element src : media) {
if
(src.tagName().equals(
"img"
))
print(
" * %s: <%s> %sx%s (%s)"
,
src.tagName(), src.attr(
"abs:src"
), src.attr(
"width"
), src.attr(
"height"
),
trim(src.attr(
"alt"
),
20
));
//src.attr("src")结果:<y18.gif> 18x18 ()
//src.attr("abs:src")结果:<.gif> 18x18 ()
else
print(
" * %s: <%s>"
, src.tagName(), src.attr(
"abs:src"
));
}
print(
"\nImports: (%d)"
, imports.size());
for
(Element link : imports) {
print(
" * %s <%s> (%s)"
, link.tagName(),link.attr(
"abs:href"
), link.attr(
"rel"
));
}
print(
"\nLinks: (%d)"
, links.size());
for
(Element link : links) {
print(
" * a: <%s> (%s)"
, link.attr(
"abs:href"
), trim(link.text(),
35
));
}
}
private
static
void
print(String msg, Object... args) {
System.out.println(String.format(msg, args));
}
private
static
String trim(String s,
int
width) {
if
(s.length() > width)
return
s.substring(
0
, width-
1
) +
"."
;
else
return
s;
}
}
//org/jsoup/examples/ListLinks.java
示例输入结果:
?1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 Fetching http:
//news.ycombinator/...
Media: (
38
)
* img: <http:
//ycombinator/images/y18.gif> 18x18 ()
* img: <http:
//ycombinator/images/s.gif> 10x1 ()
* img: <http:
//ycombinator/images/grayarrow.gif> x ()
* img: <http:
//ycombinator/images/s.gif> 0x10 ()
* script: <http:
//www.co2stats/propres.php?s=1138>
* img: <http:
//ycombinator/images/s.gif> 15x1 ()
* img: <http:
//ycombinator/images/hnsearch.png> x ()
* img: <http:
//ycombinator/images/s.gif> 25x1 ()
* img: <http:
//mixpanel/site_media/images/mixpanel_partner_logo_borderless.gif> x (Analytics by Mixpan.)
Imports: (
2
)
* link <http:
//ycombinator/news.css> (stylesheet)
* link <http:
//ycombinator/favicon.ico> (shortcut icon)
Links: (
141
)
* a: <http:
//ycombinator> ()
* a: <http:
//news.ycombinator/news> (Hacker News)
* a: <http:
//news.ycombinator/newest> (new)
* a: <http:
//news.ycombinator/newcomments> (comments)
* a: <http:
//news.ycombinator/leaders> (leaders)
* a: <http:
//news.ycombinator/jobs> (jobs)
* a: <http:
//news.ycombinator/submit> (submit)
* a: <http:
//news.ycombinator/x?fnid=JKhQjfU7gW> (login)
* a: <http:
//news.ycombinator/vote?for=1094578&dir=up&whence=%6e%65%77%73> ()
* a: <http:
//www.readwriteweb/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)
* a: <http:
//news.ycombinator/user?id=mcxx> (mcxx)
* a: <http:
//news.ycombinator/item?id=1094578> (9 comments)
* a: <http:
//news.ycombinator/vote?for=1094649&dir=up&whence=%6e%65%77%73> ()
* a: <http:
//groups.google/group/django-developers/msg/a65fbbc8effcd914> ("Tough. Django produces XHTML.")
* a: <http:
//news.ycombinator/user?id=andybak> (andybak)
* a: <http:
//news.ycombinator/item?id=1094649> (3 comments)
* a: <http:
//news.ycombinator/vote?for=1093927&dir=up&whence=%6e%65%77%73> ()
* a: <http:
//news.ycombinator/x?fnid=p2sdPLE7Ce> (More)
* a: <http:
//news.ycombinator/lists> (Lists)
* a: <http:
//news.ycombinator/rss> (RSS)
* a: <http:
//ycombinator/bookmarklet.html> (Bookmarklet)
* a: <http:
//ycombinator/newsguidelines.html> (Guidelines)
* a: <http:
//ycombinator/newsfaq.html> (FAQ)
* a: <http:
//ycombinator/newsnews.html> (News News)
* a: <http:
//news.ycombinator/item?id=363> (Feature Requests)
* a: <http:
//ycombinator> (Y Combinator)
* a: <http:
//ycombinator/w2010.html> (Apply)
* a: <http:
//ycombinator/lib.html> (Library)
* a: <http:
//www.webmynd/html/hackernews.html> ()
* a: <http:
//mixpanel/?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:1 doc.select(
"divments 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:1 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:1 2 3 4 5 6 7 8 9 Element div = doc.select(
"div"
).first();
// <div></div>
div.html(
"<p>lorem ipsum</p>"
);
// <div><p>lorem ipsum</p></div>
div.prepend(
"<p>First</p>"
);
//在div前添加html内容
div.append(
"<p>Last</p>"
);
//在div之后添加html内容
// 添完后的结果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div>
Element span = doc.select(
"span"
).first();
// <span>One</span>
span.wrap(
"<li><a href='/'></a></li>"
);
// 添完后的结果: <li><a href=""><span>One</span></a></li>
说明
Element.html(String html)
这个方法将先清除元素中的HTML内容,然后用传入的HTML代替。Element.prepend(String first)
和Element.append(String last)
方法用于在分别在元素内部HTML的前面和后面添加HTML内容Element.wrap(String around)
对元素包裹一个外部HTML内容。
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::1 2 3 4 5 Element div = doc.select(
"div"
).first();
// <div></div>
div.text(
"five > four"
);
// <div>five > four</div>
div.prepend(
"First "
);
div.append(
" Last"
);
// now: <div>First five > four Last</div>
说明
文本设置方法与 HTML setter 方法一样:
Element.text(String text)
将清除一个元素中的内部HTML内容,然后提供的文本进行代替Element.prepend(String first)
和Element.append(String last)
将分别在元素的内部html前后添加文本节点。
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
。1 2 3 4 String unsafe =
"<p><a href='/' onclick='stealCookies()'>Link</a></p>"
;
String safe = Jsoup.clean(unsafe, Whitelist.basic());
// now: <p><a href="/" 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
转发请注明出处:.html
如果您觉得阅读本文对您有帮助,请点一下�?推荐”按钮,您的“推荐�?将是我最大的写作动力!欢迎各位转载,但是未经作者本人同意,转载文章之后必须在文章页面明显位置给出作者和原文连接,否则保留追究法律责任的权利�?
分类: android学习 好文要顶 关注我 收藏该文 超超boy
关注 - 20
粉丝 - 75 +加关注 5 1 « 上一篇: dom4j创建xml
» 下一篇: android Json详解
</div><div class="postDesc">posted @ <span id="post-date">2015-09-09 11:08</span> <a href="/">超超boy</a> 阅读(<span id="post_view_count">29614</span>) 评论(<span id="post_comment_count">2</span>) <a href=".aspx?postid=4794049" rel="nofollow">编辑</a> <a href="#" onclick="AddToWz(4794049);return false;">收藏</a></div> </div> <script type="text/javascript">var allowComments=true,cb_blogId=238784,cb_entryId=4794049,cb_blogApp=currentBlogApp,cb_blogUserGuid='269f3a23-2be8-e411-b908-9dcfd8948a71',cb_entryCreatedDate='2015/9/9 11:08:00';loadViewCount(cb_entryId);var cb_postType=1;var isMarkdown=false;</script>
评论列表
刷新评论 刷新页面 返回顶部 注册用户登录后才能发表评论,请 登录 或 注册, 访问网站首页。 【推荐】超50万VC++源码: 大型组态工控、电力仿真CAD与GIS源码库!<div class="feedbackItem"><div class="feedbackListSubtitle"><div class="feedbackManage"> <span class="comment_actions"></span></div><a href="#3896069" class="layer">#1楼</a><a name="3896069" id="comment_anchor_3896069"></a> <span class="comment_date">2018-01-24 00:47</span> <a id="a_comment_author_3896069" href="/" target="_blank">lizhenlzlz</a> <a href="" title="发送站内短消息" class="sendMsg2This"> </a></div><div class="feedbackCon"><div id="comment_body_3896069" class="blog_comment_body">对我有用</div><div class="comment_vote"><a href="javascript:void(0);" class="comment_digg" onclick="return voteComment(3896069,'Digg',this)">支持(0)</a><a href="javascript:void(0);" class="comment_bury" onclick="return voteComment(3896069,'Bury',this)">反对(0)</a></div></div></div><div class="feedbackItem"><div class="feedbackListSubtitle"><div class="feedbackManage"> <span class="comment_actions"></span></div><a href="#4098607" class="layer">#2楼</a><a name="4098607" id="comment_anchor_4098607"></a><span id="comment-maxId" style="display:none;">4098607</span><span id="comment-maxDate" style="display:none;">2018/10/25 16:09:57</span> <span class="comment_date">2018-10-25 16:09</span> <a id="a_comment_author_4098607" href="/" target="_blank">公子扶摇</a> <a href="/%E5%85%AC%E5%AD%90%E6%89%B6%E6%91%87" title="发送站内短消息" class="sendMsg2This"> </a></div><div class="feedbackCon"><div id="comment_body_4098607" class="blog_comment_body">Let's try GraphQuery, a more powerful HTML/XML parsing language. Project: <a href="" target="_blank">;/a></div><div class="comment_vote"><a href="javascript:void(0);" class="comment_digg" onclick="return voteComment(4098607,'Digg',this)">支持(0)</a><a href="javascript:void(0);" class="comment_bury" onclick="return voteComment(4098607,'Bury',this)">反对(0)</a></div><span id="comment_4098607_avatar" style="display:none;">.png</span></div></div> <div id="comments_pager_bottom"></div></div><script type="text/javascript">var commentManager = new blogCommentManager();commentManager.renderComments(0);</script>
</div><!--end: forFlow --> </div><!--end: mainContent 主体内容容器--><div id="sideBar"><div id="sideBarMain">
公告
昵称: 超超boy
园龄: 3年9个月
粉丝: 75
关注: 20 +加关注<div id="blog-calendar" style=""><table id="blogCalendar" class="Cal" cellspacing="0" cellpadding="0" title="Calendar"> <tbody><tr><td colspan="7"><table class="CalTitle" cellspacing="0"><tbody><tr><td class="CalNextPrev"><a href="javascript:void(0);" onclick="loadBlogCalendar('2018/12/01');return false;"><</a></td><td align="center">2019年1月</td><td class="CalNextPrev" align="right"><a href="javascript:void(0);" onclick="loadBlogCalendar('2019/02/01');return false;">></a></td></tr> </tbody></table></td></tr><tr><th class="CalDayHeader" align="center" abbr="日" scope="col">日</th><th class="CalDayHeader" align="center" abbr="一" scope="col">一</th><th class="CalDayHeader" align="center" abbr="二" scope="col">二</th><th class="CalDayHeader" align="center" abbr="三" scope="col">三</th><th class="CalDayHeader" align="center" abbr="四" scope="col">四</th><th class="CalDayHeader" align="center" abbr="五" scope="col">五</th><th class="CalDayHeader" align="center" abbr="六" scope="col">六</th></tr><tr><td class="CalOtherMonthDay" align="center">30</td><td class="CalOtherMonthDay" align="center">31</td><td align="center">1</td><td align="center">2</td><td align="center">3</td><td align="center">4</td><td class="CalWeekendDay" align="center">5</td></tr><tr><td class="CalWeekendDay" align="center">6</td><td align="center">7</td><td align="center">8</td><td align="center">9</td><td align="center">10</td><td align="center">11</td><td class="CalWeekendDay" align="center">12</td></tr><tr><td class="CalWeekendDay" align="center">13</td><td align="center">14</td><td align="center">15</td><td align="center">16</td><td align="center">17</td><td align="center">18</td><td class="CalWeekendDay" align="center">19</td></tr><tr><td class="CalWeekendDay" align="center">20</td><td align="center">21</td><td align="center">22</td><td class="CalTodayDay" align="center">23</td><td align="center">24</td><td align="center">25</td><td class="CalWeekendDay" align="center">26</td></tr><tr><td class="CalWeekendDay" align="center">27</td><td align="center">28</td><td align="center">29</td><td align="center">30</td><td align="center">31</td><td class="CalOtherMonthDay" align="center">1</td><td class="CalOtherMonthDay" align="center">2</td></tr><tr><td class="CalOtherMonthDay" align="center">3</td><td class="CalOtherMonthDay" align="center">4</td><td class="CalOtherMonthDay" align="center">5</td><td class="CalOtherMonthDay" align="center">6</td><td class="CalOtherMonthDay" align="center">7</td><td class="CalOtherMonthDay" align="center">8</td><td class="CalOtherMonthDay" align="center">9</td></tr>
<div id="leftcontentcontainer"><div id="blog-sidecolumn"><div id="sidebar_search" class="sidebar-block">
搜索
常用链接
- 我的随笔
- 我的评论
- 我的参与
- 最新评论
- 我的标签
随笔分类(150)
- Android进阶(20)
- android学习(35)
- C/C++基础总结(5)
- GoogleTest单元测试(11)
- JavaEE(3)
- java读书笔记(1)
- java总结(24)
- kafka(1)
- Linux学习(5)
- mysql数据库(7)
- NoSql数据库(7)
- SQL Server(1)
- 笔试面试(5)
- 操作系统(1)
- 计算机网络(2)
- 其他(4)
- 设计模式(2)
- 数据结构(1)
- 数据库原理(2)
- 算法(7)
- 杂谈(6)
-
随笔档案(146)
- 2018年12月 (2)
- 2018年4月 (4)
- 2018年1月 (2)
- 2017年12月 (1)
- 2017年11月 (1)
- 2017年9月 (1)
- 2017年8月 (1)
- 2017年4月 (2)
- 2017年3月 (1)
- 2017年2月 (10)
- 2016年12月 (9)
- 2016年11月 (8)
- 2016年10月 (3)
- 2016年9月 (4)
- 2016年8月 (9)
- 2016年7月 (7)
- 2016年6月 (4)
- 2016年5月 (5)
- 2016年4月 (10)
- 2016年3月 (16)
- 2016年2月 (8)
- 2016年1月 (6)
- 2015年12月 (2)
- 2015年11月 (8)
- 2015年10月 (3)
- 2015年9月 (7)
- 2015年8月 (12)
-
文章分类
- J2EE
-
积分与排名
- 积分 - 252832
- 排名 - 1082
阅读排行榜
- 1. Gradle's dependency cache may be corrupt解决方法(31405)
- 2. Jsoup解析Html中文文档(29613)
- 3. c++引用总结(26019)
- 4. javaWeb项目的classpath说明(20782)
- 5. GridView总结二:GridView自带编辑删除更新(20570)
评论排行榜
- 1. 超级课程表原理解析(如何获取网页内容)(30)
- 2. 如何在 Github 上发现优秀的开源项目?(18)
- 3. 一个大四毕业生想对自学Android的大学生说一些话(7)
- 4. Google C++单元测试框架GoogleTest(总)(5)
- 5. c++中的数据类型(4)
推荐排行榜
- 1. 超级课程表原理解析(如何获取网页内容)(7)
- 2. Google C++单元测试框架GoogleTest---Google Mock简介--概念及基础语法(6)
- 3. 如何在 Github 上发现优秀的开源项目?(6)
- 4. Jsoup解析Html中文文档(5)
- 5. c++引用总结(5)
</div><!--end: sideBarMain --> </div><!--end: sideBar 侧边栏容器 --> <div class="clear"></div> </div><!--end: main --> <div class="clear"></div> <div id="footer">
Copyright ©2019 超超boy
更多推荐
Jsoup解析Html中文文档
发布评论