这里是 jsoup 项目的相关文章
"; Document doc = Jsoup.parse(html); // 从 URL 直接加载 HTML 文档 Document doc = Jsoup.connect("http://www.oschina.net/").get(); String title = doc.title(); Document doc = Jsoup.connect("http://www.oschina.net/") .data("query", "Java") // 请求参数 .userAgent("I ’ m jsoup") // 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","http://www.oschina.net/"); ``` 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 开源软件 会被转换成 开源软件 。 ## 解析文件示例 jsoup解析文件时除了提供传统的DOM方式的元素解析，最重要的是还提供了选择器来进行DOM元素的定位，其选择器语法和jQuery的是一样的，这对于做过web开发的来说简直是福音，几乎不需要任何成本就可以用java愉快地解析html了呢。 传统的DOM方式示例代码： ```java File input = new File("D:/test.html"); Document doc = Jsoup.parse(input, "UTF-8", "http://www.oschina.net/"); 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。 选择器示例代码： ```java File input = new File("D:\test.html"); Document doc = Jsoup.parse(input,"UTF-8","http://www.oschina.net/"); 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 ``` 可以看到，它的选择器和jQuery确实是一样的，另外它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。 ## 修改数据示例 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。 示例代码： ```java doc.select("div.comments a").attr("rel", "nofollow"); // 为所有链接增加 rel=nofollow 属性 doc.select("div.comments a").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 ``` 首先利用 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代码过滤 有时候有的页面中会有一些恶意脚本，可能会破坏整个页面的结构，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对这方面支持非常好。 示例代码： ```java String unsafe = ""; String safe = Jsoup.clean(unsafe,Whitelist.basic()); // 输出 : // ``` 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： | 方法名 | 简介 | |