jsoup 是一款Java 的HTML解析器昂灵，可直接解析某個URL地址色鸳、HTML文本內(nèi)容。它提供了一套非常省力的API坠七，可通過DOM水醋，CSS以及類似于jQuery的操作方法來取出和操作數(shù)據(jù)。
以下內(nèi)容來自http://www.open-open.com/jsoup/parse-body-fragment.htm（有刪改）
[toc]
入門
1.解析和遍歷一個HTML文檔
如何解析一個HTML文檔：
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);
(更詳細內(nèi)容可查看 解析一個HTML字符串.)
其解析器能夠盡最大可能從你提供的HTML文檔來創(chuàng)見一個干凈的解析結(jié)果彪置，無論HTML的格式是否完整拄踪。比如它可以處理：
沒有關(guān)閉的標(biāo)簽 (比如： <p>Lorem <p>Ipsum parses to <p>Lorem</p> <p>Ipsum</p>)
隱式標(biāo)簽 (比如. 它可以自動將<td>Table data</td>包裝成<table><tr><td>?)
創(chuàng)建可靠的文檔結(jié)構(gòu)（html標(biāo)簽包含head 和 body，在head只出現(xiàn)恰當(dāng)?shù)脑兀?/p>
一個文檔的對象模型
文檔由多個Elements和TextNodes組成 (以及其它輔助nodes：詳細可查看：nodes package tree).
其繼承結(jié)構(gòu)如下：Document繼承Element繼承Node. TextNode繼承Node.
一個Element包含一個子節(jié)點集合拳魁，并擁有一個父Element惶桐。他們還提供了一個唯一的子元素過濾列表。
輸入
2潘懊、 解析一個HTML字符串
存在問題
來自用戶輸入姚糊，一個文件或一個網(wǎng)站的HTML字符串，你可能需要對它進行解析并取其內(nèi)容授舟，或校驗其格式是否完整叛拷，或想修改它。怎么辦岂却？jsonu能夠幫你輕松解決這些問題
解決方法
使用靜態(tài)Jsoup.parse(String html)方法或Jsoup.parse(String html, String baseUri)示例代碼：
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)這方法能夠?qū)⑤斎氲腍TML解析為一個新的文檔 (Document）忿薇，參數(shù) baseUri 是用來將相對 URL 轉(zhuǎn)成絕對URL，并指定從哪個網(wǎng)站獲取文檔躏哩。如這個方法不適用署浩，你可以使用parse(String html)方法來解析成HTML字符串如上面的示例。.
只要解析的不是空字符串扫尺，就能返回一個結(jié)構(gòu)合理的文檔筋栋，其中包含(至少)一個head和一個body元素。
一旦擁有了一個Document正驻，你就可以使用Document中適當(dāng)?shù)姆椒ɑ蛩割?code>[Element]和[Node]中的方法來取得相關(guān)數(shù)據(jù)弊攘。
3、解析一個body片斷
問題
假如你有一個HTML片斷 (比如. 一個div包含一對p標(biāo)簽; 一個不完整的HTML文檔) 想對它進行解析姑曙。這個HTML片斷可以是用戶提交的一條評論或在一個CMS頁面中編輯body部分襟交。
辦法
使用Jsoup.parseBodyFragment(String html)方法.
String html = "<div><p>Lorem ipsum.</p>";
Document doc = Jsoup.parseBodyFragment(html);
Element body = doc.body();
說明
parseBodyFragment 方法創(chuàng)建一個空殼的文檔，并插入解析過的HTML到body元素中伤靠。假如你使用正常的 [Jsoup.parse(String html)](http://jsoup.org/apidocs/org/jsoup/Jsoup.html#parse(java.lang.String) "Parse HTML into a Document.") 方法捣域，通常你也可以得到相同的結(jié)果，但是明確將用戶輸入作為 body片段處理，以確保用戶所提供的任何糟糕的HTML都將被解析成body元素焕梅。
[Document.body()](http://jsoup.org/apidocs/org/jsoup/nodes/Document.html#body() "Accessor to the document's body element.") 方法能夠取得文檔body元素的所有子元素迹鹅，與 doc.getElementsByTag("body")相同。
保證安全Stay safe
假如你可以讓用戶輸入HTML內(nèi)容贞言，那么要小心避免跨站腳本攻擊斜棚。利用基于 [Whitelist] 的清除器和 clean(String bodyHtml, Whitelist whitelist)方法來清除用戶輸入的惡意內(nèi)容。
4.從一個URL加載一個Document
存在問題
你需要從一個網(wǎng)站獲取和解析一個HTML文檔该窗，并查找其中的相關(guān)數(shù)據(jù)打肝。你可以使用下面解決方法：
解決方法
使用 Jsoup.connect(String url)方法:
Document doc = Jsoup.connect("http://example.com/").get();
String title = doc.title();
說明
connect(String url) 方法創(chuàng)建一個新的 Connection, 和 get() 取得和解析一個HTML文件。如果從該URL獲取HTML時發(fā)生錯誤挪捕，便會拋出 IOException，應(yīng)適當(dāng)處理争便。
Connection 接口還提供一個方法鏈來解決特殊請求级零，具體如下：
Document doc = Jsoup.connect("http://example.com")
.data("query", "Java")
.userAgent("Mozilla")
.cookie("auth", "token")
.timeout(3000)
.post();
這個方法只支持Web URLs (http和https 協(xié)議); 假如你需要從一個文件加載，可以使用 parse(File in, String charsetName) 代替滞乙。
5.從一個文件加載一個文檔
問題
在本機硬盤上有一個HTML文件奏纪，需要對它進行解析從中抽取數(shù)據(jù)或進行修改。
辦法
可以使用靜態(tài) Jsoup.parse(File in, String charsetName, String baseUri) 方法：
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
說明
parse(File in, String charsetName, String baseUri) 這個方法用來加載和解析一個HTML文件斩启。如在加載文件的時候發(fā)生錯誤序调，將拋出IOException，應(yīng)作適當(dāng)處理兔簇。
baseUri 參數(shù)用于解決文件中URLs是相對路徑的問題发绢。如果不需要可以傳入一個空的字符串。
另外還有一個方法parse(File in, String charsetName) 垄琐，它使用文件的路徑做為 baseUri边酒。 這個方法適用于如果被解析文件位于網(wǎng)站的本地文件系統(tǒng)，且相關(guān)鏈接也指向該文件系統(tǒng)狸窘。
數(shù)據(jù)抽取
6.使用DOM方法來遍歷一個文檔
問題
你有一個HTML文檔要從中提取數(shù)據(jù)墩朦，并了解這個HTML文檔的結(jié)構(gòu)。
方法
將HTML解析成一個Document之后翻擒，就可以使用類似于DOM的方法進行操作氓涣。示例代碼：
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Element content = doc.getElementById("content");
Elements links = content.getElementsByTag("a");
for (Element link : links) {
String linkHref = link.attr("href");
String linkText = link.text();
}
說明
Elements這個對象提供了一系列類似于DOM的方法來查找元素，抽取并處理其中的數(shù)據(jù)陋气。具體如下：
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)
元素數(shù)據(jù)
attr(String key)獲取屬性attr(String key, String value)設(shè)置屬性
attributes()獲取所有屬性
id(), className() andclassNames()
text()獲取文本內(nèi)容text(String value) 設(shè)置文本內(nèi)容
html()獲取元素內(nèi)HTMLhtml(String value)設(shè)置元素內(nèi)的HTML內(nèi)容
outerHtml()獲取元素外HTML內(nèi)容
data()獲取數(shù)據(jù)內(nèi)容（例如：script和style標(biāo)簽)
tag() and tagName()
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)
