jsoup抓取数据

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；

接下来介绍jsoup 是如何优雅的进行HTML 文档处理的。

文档输入

jsoup 可以从包括字符串、URL地址以及本地文件来加载HTML 文档，并生成Document 对象实例。

下面是相关代码：

// 直接从字符串中输入HTML 文档

String html = "<html><head><title>开源中国社区</title></head>"

+"<body>这里是jsoup 项目的相关文章</body></html>";

Document doc = Jsoup.parse(html);

// 从URL直接加载HTML 文档

Document doc =Jsoup.connect("网址/").get();

String title = doc.title();

Document doc =Jsoup.connect("网址/")

.data("query", "Java") //请求参数

.userAgent("I’mjsoup") //设置User-Agent

.cookie("auth", "token") //设置cookie

.timeout(3000) //设置连接超时时间

.post(); //使用POST方法访问URL

// 从文件中加载HTML 文档

File input = new File("D:/test.html");

Document doc = Jsoup.parse(input,"UTF-8","网址/");

请大家注意最后一种HTML 文档输入方式中的parse 的第三个参数，为什么需要在这里指定一个网址呢（虽然可以不指定，如第一种方法）？因为HTML 文档中会有很多例如链接、图片以及所引用的外部脚本、css文件等，而第三个名为baseURL 的参数的意思就是当HTML 文档使用相对路径方式引用外部文件时，jsoup会自动为这些URL 加上一个前缀，也就是这个baseURL。

例如<a href=/project>开源软件</a> 会被转换成<a href=网址>开源软件</a>。

解析并提取HTML 元素

这部分涉及一个HTML 解析器最基本的功能，但jsoup使用一种有别于其他开源项目的方式——选择器，我们将在最后一部分详细介绍jsoup选择器，本节中你将看到jsoup是如何用最简单的代码实现。

不过jsoup也提供了传统的DOM 方式的元素解析，看看下面的代码：

File input = new File("D:/test.html");

Document doc = Jsoup.parse(input, "UTF-8","网址/");

Element content =doc.getElementById("content");

Elements links = content.getElementsByTag("a");

for (Element link : links) {

String linkHref =link.attr("href");

String linkText =link.text();

}

你可能会觉得jsoup的方法似曾相识，没错，像getElementById 和getElementsByTag 方法跟JavaScript 的方法名称是一样的，功能也完全一致。你可以根据节点名称或者是HTML 元素的id 来获取对应的元素或者元素列表。

与htmlparser 项目不同的是，jsoup 并没有为HTML 元素定义一个对应的类，一般一个HTML 元素的组成部分包括：节点名、属性和文本，jsoup 提供简单的方法供你自己检索这些数据，这也是jsoup保持瘦身的原因。

而在元素检索方面，jsoup 的选择器简直无所不能，

File input = new File("D:\test.html");

Document doc =Jsoup.parse(input,"UTF-8","网址");

Elements links = doc.select("a[href]"); // 具有href 属性的链接

Elements pngs = doc.select("img[src$=.png]");//所有引用png图片的元素

Element masthead =doc.select("div.masthead").first();

// 找出定义了class=masthead 的元素

Elements resultLinks = doc.select("h3.r >a"); // direct a after h3

这是jsoup 真正让我折服的地方，jsoup使用跟jQuery 一模一样的选择器对元素进行检索，以上的检索方法如果换成是其他的HTML 解释器，至少都需要很多行代码，而jsoup 只需要一行代码即可完成。

jsoup 的选择器还支持表达式功能，我们将在最后一节介绍这个超强的选择器。

修改数据

在解析文档的同时，我们可能会需要对文档中的某些元素进行修改，例如我们可以为文档中的所有图片增加可点击链接、修改链接地址或者是修改文本等。

下面是一些简单的例子：

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

//为所有链接增加rel=nofollow 属性

doc.select("div.commentsa").addClass("mylinkclass");

//为所有链接增加class=mylinkclass 属性

doc.select("img").removeAttr("onclick");//删除所有图片的onclick属性

doc.select("input[type=text]").val("");//清空所有文本输入框中的文本

道理很简单，你只需要利用jsoup 的选择器找出元素，然后就可以通过以上的方法来进行修改，除了无法修改标签名外（可以删除后再插入新的元素），包括元素的属性和文本都可以修改。

修改完直接调用Element(s) 的html() 方法就可以获取修改完的HTML 文档。

HTML 文档清理

jsoup 在提供强大的API 同时，人性化方面也做得非常好。在做网站的时候，经常会提供用户评论的功能。有些用户比较淘气，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，例如XSS 跨站点攻击之类的。

jsoup 对这方面的支持非常强大，使用非常简单。看看下面这段代码：

String unsafe = "<a href='网址' onclick='stealCookies()'>开源中国社区</a>";

String safe = Jsoup.clean(unsafe, Whitelist.basic());

// 输出:

// <ahref="网址" rel="nofollow">开源中国社区</a>

jsoup 使用一个Whitelist 类用来对HTML 文档进行过滤，该类提供几个常用方法：

如果这五个过滤器都无法满足你的要求呢，例如你允许用户插入flash 动画，没关系，Whitelist提供扩展功能，例如whitelist.addTags("embed","object","param","span","div");也可调用addAttributes 为某些元素增加属性。