探索 Jsoup開源項目,深入解析技術點.(我認爲他是一個非常好而很容易上手的工具)

Jsoup與Jquery的區別:

jsoup 是一款 Java 的HTML 解析器，可直接解析某個URL地址、HTML文本內容。它提供了一套非常省力的API，可通過DOM，CSS以及類似於JQuery的操作方法來取出和操作數據。該版本包含一個支持 HTML5 的解析器分支，可確保跟現在的瀏覽器一樣解析 HTML 的方法，同時降低了解析的時間和內存的佔用。點擊鏈接打開JsoupAPI

Jquery是繼prototype之後又一個優秀的Javascrīpt框架。它是輕量級的js庫，它兼容CSS3，還兼容各種瀏覽器 。jQuery使用戶能更方便地處理HTML documents、events、實現動畫效果，並且方便地爲網站提供AJAX交互。jQuery還有一個比較大的優勢是，它的文檔說明很全，而且各種應用也說得很詳細，同時還有許多成熟的插件可供選擇。jQuery能夠使用戶的html頁保持代碼和html內容分離，也就是說，不用再在html裏面插入一堆js來調用命令了，只需定義id即可。點擊鏈接打開JqueryAPI

Jsoup詳解(直接進入正題):

隨着Web應用的不斷髮展，開發人員有時需要通過HTML解析功能實現客戶需求。讀者朋友可能對老牌HTML Parser Java庫比較熟悉。其實，jsoup也是爲了方便開發人員實現HTML解析而誕生（2010年初發起）的一款工具包。jsoup的主要功能包括：

解析，通過URL、文件或者字符串來分析HTML文檔。
查找，通過DOM遍歷或者CSS選擇器來尋找和抽取數據。
操作，處理HTML元素、屬性和文本。
檢查，通過白名單機制來保護HTML內容的安全。

常見的方式如下:
Document doc = Jsoup.connect(待解析的url).get();
Elements e = doc.select("從doc裏獲取指定元素 標籤 id 等內容,在最後給大家將選擇器");
我認爲在玩Jsoup的時候都是這樣玩的,connect.(url).get();對方法的含義不在聲明,具體請看API,上面有給大家提供

接下來給大家看一下初始化html時的全部代碼
　　// 從URL直接加載HTML 文檔
　　Document doc =Jsoup.connect("網址/").get();
　　String title = doc.title();//這個方法其實就是獲取了doc中的title,大家可以測試一下
　　Document doc =Jsoup.connect("網址/")
　　.data("query", "Java") //請求參數
　　.userAgent("I’mjsoup") //設置User-Agent
　　.cookie("auth", "token") //設置cookie
　　.timeout(3000) //設置連接超時時間
　　.post(); //使用POST方法訪問URL
　　// 從文件中加載HTML 文檔
　　File input = new File("D:/test.html");
　　Document doc = Jsoup.parse(input,"UTF-8","網址/");
請大家注意最後一種HTML 文檔輸入方式中的parse 的第三個參數，爲什麼需要在這裏指定一個網址呢（雖然可以不指定，如第一種方法）？因爲HTML 文檔中會有很多例如鏈接、圖片以及所引用的外部腳本、css文件等，而第三個名爲baseURL 的參數的意思就是當HTML 文檔使用相對路徑方式引用外部文件時，jsoup會自動爲這些URL 加上一個前綴，也就是這個baseURL。
　　例如<a href=/project>開源軟件</a> 會被轉換成<a href=網址>開源軟件</a>。
而在元素檢索方面，jsoup 的選擇器簡直無所不能，
File input = new File("D:\test.html");
　　Document doc =Jsoup.parse(input,"UTF-8","網址");
　　Elements links = doc.select("a[href]"); // 具有href 屬性的鏈接
　　Elements pngs = doc.select("img[src$=.png]");//所有引用png圖片的元素
　　Element masthead =doc.select("div.masthead").first();
　　// 找出定義了class=masthead 的元素
　　Elements resultLinks = doc.select("h3.r >a"); // direct a after h3
這是jsoup 真正讓我折服的地方，jsoup使用跟jQuery 一模一樣的選擇器對元素進行檢索，以上的檢索方法如果換成是其他的HTML 解釋器，至少都需要很多行代碼，而jsoup 只需要一行代碼即可完成。
jsoup 的選擇器還支持表達式功能，我們將在最後一節介紹這個超強的選擇器。

在這裏給大家介紹一個比較突出的功能:HTML文檔清理:
jsoup 在提供強大的API 同時，人性化方面也做得非常好。在做網站的時候，經常會提供用戶評論的功能。有些用戶比較淘氣，會搞一些腳本到評論內容中，而這些腳本可能會破壞整個頁面的行爲，更嚴重的是獲取一些機要信息，例如XSS 跨站點攻擊之類的。

jsoup 對這方面的支持非常強大，使用非常簡單。看看下面這段代碼：
　　String unsafe = "<p><a href='網址' onclick='stealCookies()'>開源中國社區</a></p>";
　　String safe = Jsoup.clean(unsafe, Whitelist.basic());
　　// 輸出:
　　// <p><ahref="網址" rel="nofollow">開源中國社區</a></p>
　　jsoup 使用一個Whitelist 類用來對HTML 文檔進行過濾，該類提供幾個常用方法：

如果這五個過濾器都無法滿足你的要求呢，例如你允許用戶插入flash 動畫，沒關係，Whitelist提供擴展功能，例如whitelist.addTags("embed","object","param","span","div");也可調用addAttributes 爲某些元素增加屬性。

jsoup 的過人之處——選擇器:

以上是最基本的選擇器語法，這些語法也可以組合起來使用，下面是jsoup支持的組合用法：

除了一些基本的語法以及這些語法進行組合外，jsoup 還支持使用表達式進行元素過濾選擇。下面是jsoup支持的所有表達式一覽表：