Document
对象。Jsoup.parse(String html)
方法或 Jsoup.parse(String html, String baseUri)
示例代码:说明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。
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。Jsoup.parseBodyFragment(String html)
方法.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。
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。Jsoup.connect(String url)
方法说明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:Jsoup.parse(File in, String charsetName, String baseUri)
方法说明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。
Document
之后,就可以使用类似于 DOM 的方法进行操作。示例代码: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。getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key)
(and related methods)siblingElements()
, firstElementSibling()
, lastElementSibling()
;nextElementSibling()
, previousElementSibling()
parent()
, children()
, child(int index)
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()
and classNames()
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()
and tagName()
append(String html)
, prepend(String html)
appendText(String text)
, prependText(String text)
appendElement(String tagName)
, prependElement(String tagName)
html(String value)
Element.select(String selector)
和 Elements.select(String selector)
方法实现: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 `` 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]
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
: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Selector
API 参考来了解更详细的内容Node.attr(String key)
方法Element.text()
方法Element.html()
, 或 Node.outerHtml()
方法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
Element
和Elements
集合类的参考文档base URI
,然后abs:
属性前缀来取得包含base URI
的绝对路径。代码如下: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)
。
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。Element.attr(String key, String value)
, 和 Elements.attr(String key, String value)
.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: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");
Element
中的 HTML 设置方法具体如下: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。
Element
的设置方法::说明
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。
Cleaner
方法进行清除,但需要指定一个可配置的 Whitelist
。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。Cleaner
,了解如何返回一个 Document
对象,而不是字符串Whitelist
,了解如何创建一个自定义的 whitelist