[Jsoup Html頁面處理簡單用法]
Jsoup工具可以把html文本映射為Dom對象，用更簡單的操作html。
1. 從一個URL，檔案或字元串中解析HTML；
2. 使用DOM或CSS選擇器來查找、取出資料；
3. 可操作HTML元素、屬性、文本；
加載Html
//中間内容省略
String html="<html>....</html>";
//parse方法可以加載String、File類型的html，url加載、流都可以。
Document parse = Jsoup.parse(html);
//也可以加載html片段
Document parse = Jsoup.parseBodyFragment(html);
查找Html
Document 、Elements、Element對象都有這些方法
getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key)
//擷取a标簽的元素集合
Elements as =parse.getElementsByTag("a");
//查找的方法 同樣獲得a标簽的元素集合
Elements as=parse.select("a");
使用類似于CSS或jQuery的文法來查找和操作元素。
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Elements links = doc.select("a[href]"); //帶有href屬性的a元素
Elements pngs = doc.select("img[src$=.png]");
//擴充名為.png的圖檔
Element masthead = doc.select("div.masthead").first();
//class等于masthead的div标簽
Elements resultLinks = doc.select("h3.r > a"); //在h3元素之後的a元素
select(String) 方法的使用
Selector選擇器概述
- tagname: 通過标簽查找元素，比如：a
- ns|tag: 通過标簽在命名空間查找元素，比如：可以用 fb|name 文法來查找 元素
- #id: 通過ID查找元素，比如：#logo
- .class: 通過class名稱查找元素，比如：.masthead
- [attribute]: 利用屬性查找元素，比如：[href]
- [^attr]: 利用屬性名字首來查找元素，比如：可以用[^data-] 來查找帶有HTML5 Dataset屬性的元素
- [attr=value]: 利用屬性值來查找元素，比如：[width=500]
-
[attr^=value], [attr$=value], [attr*=value]:
利用比對屬性值開頭、結尾或包含屬性值來查找元素，比如：[href*=/path/]
- [attr~=regex]: 利用屬性值比對正規表達式來查找元素，比如： img[src~=(?i).(png|jpe?g)]
- *: 這個符号将比對所有元素
Selector選擇器組合使用
- 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]
- 任意組合，比如：a[href].highlight
- ancestor child: 查找某個元素下子元素，比如：可以用.body p 查找在”body”元素下的所有 p元素
- parent > child: 查找某個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标簽下所有直接子元素
- siblingA + siblingB: 查找在A元素之前第一個同級元素B，比如：div.head + div
- siblingA ~ siblingX: 查找A元素之前的同級X元素，比如：h1 ~ p
- el, el, el:多個選擇器組合，查找比對任一選擇器的唯一進制素，例如：div.masthead, div.logo
僞選擇器selectors
- :lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對于它的父節點）小于n，比如：td:lt(3) 表示小于三列的元素
- :gt(n):查找哪些元素的同級索引值大于n，比如： div p:gt(2)表示哪些div中有包含2個以上的p元素
- :eq(n): 查找哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個input标簽的Form元素
- :has(seletor): 查找比對選擇器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
-
:not(selector): 查找與選擇器不比對的元素，比如： div:not(.logo) 表示不包含 class=logo
元素的所有 div 清單
- :contains(text): 查找包含給定文本的元素，搜尋不區分大不寫，比如： p:contains(jsoup)
- :containsOwn(text): 查找直接包含給定文本的元素
- :matches(regex): 查找哪些元素的文本比對指定的正規表達式，比如：div:matches((?i)login)
- :matchesOwn(regex): 查找自身包含文本比對指定正規表達式的元素
注意：上述僞選擇器索引是從0開始的，也就是說第一個元素索引值為0，第二個元素index為1等
編輯内容
隻列舉幾個簡單的方法，
Element element=as.first();
//獲得元素文本
element.text();
//獲得元素href屬性
element.attr("href");
//設定元素href屬性
element.attr("href", "http://www.yihy.cc");
//給元素添加新類
element.addClass("link");
//移除元素
element.remove();
//元素也可以查找子标簽
element.select("lable");
消除xss攻擊
使用jsoup HTML Cleaner 方法進行清除，但需要指定一個可配置的 Whitelist。
String unsafe = "<p><a href='http://example.com/' onclick='stealCookies()'>Link</a></p>";
String safe = Jsoup.clean(unsafe, Whitelist.basic());
// now: <p><a href="http://example.com/" target="_blank" rel="external nofollow" rel="nofollow">Link</a></p>
這個Jar主要用來做爬蟲
更多的使用方法請通路
www.open-open.com/jsoup/
www.jsoup.com/
![Java小案例——随機數猜測随機數猜測[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)