jsoup 框架的使用指南

Posted 2023-04-02 墨鸦_Cormorant

概述

参考：

• 官方文档
• jsoup的使用
• JSoup教程
• jsoup 在 GitHub 的开源代码

概念简介

jsoup 是一款基于 Java 的 html 解析器，它提供了一套非常省力的 API，不但能直接解析某个 URL 地址、HTML 文本内容，而且还能通过类似于 DOM、CSS 或者 jQuery 的方法来操作数据，所以 jsoup 也可以被当做爬虫工具使用。

jsoup 实现 WHATWG HTML5 规范，并将 HTML 解析为与现代浏览器相同的 DOM。

• 从 URL，文件或字符串中提取并解析 HTML

  查找和提取数据，使用 DOM 遍历或 CSS 选择器

• 操纵 HTML元素，属性和文本

• 根据安全的白名单清理用户提交的内容，以防止 XSS 攻击

• 输出整洁的 HTML

相关概念简介

• Document ：文档对象

  每份 HTML 页面都是一个文档对象，Document 是 jsoup 体系中最顶层的结构。

• Element：元素对象。

  一个 Document 中可以着包含着多个 Element 对象，可以使用 Element 对象来遍历节点提取数据或者直接操作 HTML。

• Elements：元素对象集合，类似于List<Element>。

• Node：节点对象。

  标签名称、属性等都是节点对象，节点对象用来存储数据。

• 类继承关系：Document 继承自 Element ，Element 继承自 Node。

• 一般执行流程：先获取 Document 对象，然后获取 Element 对象，最后再通过 Node 对象获取数据。

依赖

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.15.4</version>
</dependency>

jsoup 的主要类

虽然完整的类库中有很多类，但大多数情况下，需要重点了解下面给出3 个类即可

• org.jsoup.Jsoup 类

  Jsoup 类是任何 Jsoup 程序的入口点，并将提供从各种来源加载和解析 HTML 文档的方法。

  Jsoup 类的一些重要方法如下：

  // 创建并返回URL的连接。
  static Connection connect(String url)
  
  // 将指定的字符集文件解析成文档。
  static Document parse(File in, String charsetName)
  // 将给定的html代码解析成文档。
  static Document parse(String html)
  // 从本地文件中加载文档对象
  static Document parse(File in, String charsetName)
  
  // 从输入 HTML 返回安全的 HTML，通过解析输入 HTML 并通过允许的标签和属性的白名单进行过滤。
  static String clean(String bodyHtml, Whitelist whitelist)
  

• org.jsoup.nodes.Document 类

  该类表示通过 Jsoup 库加载 HTML 文档。

  可以使用此类执行适用于整个 HTML 文档的操作。

• org.jsoup.nodes.Element 类

  HTML 元素是由标签名称，属性和子节点组成。 使用 Element 类，可以提取数据，遍历节点和操作 HTML。

• 注：继承关系为 Document extends Element extends Node

API

Jsoup 类

Jsoup 类的一些重要方法如下：

// 创建并返回URL的连接。
static Connection connect(String url)

// 将指定的字符集文件解析成文档。
static Document parse(File in, String charsetName)
// 将给定的html代码解析成文档。
static Document parse(String html)
// 从本地文件中加载文档对象
static Document parse(File in, String charsetName)

// 从输入 HTML 返回安全的 HTML，通过解析输入 HTML 并通过允许的标签和属性的白名单进行过滤。
static String clean(String bodyHtml, Whitelist whitelist)

Connection 接口

// 将请求作为GET执行，并解析结果
Document get() throws IOException;
// 将请求作为POST执行，并解析结果。
Document post() throws IOException;
// 执行请求。获取内容包含响应码等
Connection.Response execute() throws IOException;
// 将请求方法设置为使用GET或POST。默认为GET
Connection method(Connection.Method method);

// 创建一个新请求，使用此Connection作为会话状态并初始化连接设置（然后可以独立于返回的Connection.request对象）
Connection newRequest();
// 设置要提取的请求URL。协议必须是HTTP或HTTPS
Connection url(URL url);
Connection url(String url);
// 设置头部信息
Connection header(String name, String value);
Connection headers(Map<String, String> headers);
// 发出请求的用户信息
Connection userAgent(String userAgent);
// 先前网页的地址，当前请求网页紧随其后,即来路
Connection referrer(String referrer);
// 设置用于此请求的HTTP代理。设置为null禁用以前设置的代理。
Connection proxy(Proxy proxy);
Connection proxy(String host, int port);

// 设置总请求超时时间。如果发生超时SocketTimeoutException将被抛出。默认超时为30秒（30000ms）。零超时被视为无限超时。
	// 注意，此超时指定连接时间和读取完整响应时间的组合最长持续时间
Connection timeout(int millis);

// 在关闭连接和截断输入之前，设置从（未压缩）连接读取到正文的最大字节数（即正文内容将被修剪）。
	// 默认最大值为2MB。最大大小为0被视为无限量（仅受机器上可用内存的限制）。
Connection maxBodySize(int bytes);

// 设置是否遵循服务器重定向的连接。默认为true
Connection followRedirects(boolean followRedirects);

// 将连接配置为在发生HTTP错误时不引发异常（4xx-5xx，例如404或500）。默认为false;，如果遇到错误，将引发IOException。
	// 如果设置为true，响应将填充错误正文，状态消息将反映错误。
Connection ignoreHttpErrors(boolean ignoreHttpErrors);

// 分析响应时忽略文档的Content-Type。默认为false，未识别的内容类型将引发IOException。（例如，为了防止试图解析JPEG二进制图像而产生垃圾。）设置为true可强制解析尝试，而不管内容类型如何。
Connection ignoreContentType(boolean ignoreContentType);

// 设置自定义SSL套接字工厂
Connection sslSocketFactory(SSLSocketFactory var1);

// 添加请求数据参数。请求参数在GET的请求查询字符串中发送，在POST的请求正文中发送。一个请求可能有多个同名值。
Connection data(String key, String value);
// 添加输入流作为请求数据参数。
Connection data(String key, String filename, InputStream inputStream);
// 添加输入流作为请求数据参数。对于GET，没有影响，但对于POST，这将上载输入流。filename为文件名，不是路径
Connection data(String key, String filename, InputStream InputStream, String contentType);
Connection data(Collection<Connection.KeyVal> data);
Connection data(Map<String, String> data);
Connection data(String... keyvals);
// 获取此密钥的数据KeyVal（如果有）
Connection.KeyVal data(String var1);

// 设置要在请求中发送的cookie
Connection cookie(String name, String value);
Connection cookies(Map<String, String> cookies);
// 获取此连接使用的cookie存储
Connection cookieStore(CookieStore cookieStore);
// 提供自定义或预先填充的CookieStore，用于此连接发出的请求。
CookieStore cookieStore();

// 提供在分析文档响应时使用的备用解析器
Connection parser(Parser parser);
// 设置请求的数据字符集，默认x-www-form-urlencoded
Connection postDataCharset(String charset);

// 设置连接请求
Connection request(Connection.Request var1);
// 设置POST（或PUT）请求主体
Connection requestBody(String body);
// 获取与此连接关联的请求对象
Connection.Request request();

// 设置连接的响应
Connection response(Connection.Response response);
// 执行请求后，获取响应。
Connection.Response response();

Element（元素）类

org.jsoup.nodes.Element extends Node

Elements 对象提供了一系列类似于 DOM 的方法来查找元素，抽取并处理其中的数据。

查找元素

// 通过 id 来查找元素
public Element getElementById(String id)
// 通过标签来查找元素
public Elements getElementsByTag(String tag)
// 通过类选择器来查找元素
public Elements getElementsByClass(String className)
// 通过属性名称来查找元素，例如查找带有 href 元素的标签
public Elements getElementsByAttribute(String key)

// 获取兄弟元素。如果元素没有兄弟元素，则返回一个空列表
public Elements siblingElements()
// 获取第一个兄弟元素
public Element firstElementSibling()
// 获取最后一个兄弟元素
public Element lastElementSibling()
// 获取下一个兄弟元素
public Element nextElementSibling()
// 获取上一个兄弟元素
public Element previousElementSibling()

// 获取此节点的父节点
public Element parent()
// 获取此节点的所有子节点
public Elements children()
// 获取此节点的指定子节点
public Element child(int index)
    
// 使用 CSS 选择器查找元素
public Elements select(String cssQuery)

获取元素数据

在获得文档对象并且指定查找元素后，就可以获取元素中的数据。

注：这些访问器方法都有相应的 setter 方法来更改数据。

// 获取单个属性值
public String attr(String key) 
// 获取所有属性值
public Attributes attributes()
// 设置属性值
public Element attr(String key, String value)

// 获取文本内容
public String text()
// 设置文本内容
public Element text(String value)

// 获取元素内的 HTML 内容
public String html()
// 设置元素内的 HTML 内容
public Element html(String value)
// 获取元素外 HTML 内容
public String outerHtml()

// 获取数据内容（例如：script 和 style 标签)
public String data()
// 获得 id 值（例如：<p id="goods">衣服</p>）
public String id()

// 检查这个元素是否含有一个类选择器（不区分大小写）
public boolean hasClass(String className) 
// 获得第一个类选择器值
public String className()
// 获得所有的类选择器值
public Set<String>classNames()

// 获取元素标签
public Tag tag()
// 获取元素标签名（例如：`<p>`、`<div>` 等）
public String tagName()

修改数据

在解析了一个 Document 对象之后，可能想修改其中的某些属性值，并把它输出到前台页面或保存到其他地方，jsoup 对此提供了一套非常简便的接口（支持链式写法）。

• 设置属性的值

  以下方法当针对 Element 对象操作时，只有一个元素会受到影响。当针对 Elements 对象进行操作时，可能会影响到多个元素。

  // 设置标签的属性值
  public Element attr(String key, String value)
  // 删除标签
  public Element removeAttr(String key)
  
  // 增加类选择器选项
  public Element addClass(String className)
  // 删除对应的类选择器
  public Element removeClass(String className)
  

  代码示例：

  Document doc = Jsoup.connect("http://csdn.com").get();
  
  // 复数，Elements
  Elements elements = doc.getElementsByClass("text");
  // 单数，Element
  Element element = elements.first();
  
  // 复数对象，所有 class="text" 的元素都将受到影响
  elements.attr("name","goods");
  // 单数对象，只有一个元素会受到影响（链式写法）
  element.attr("name","shop").addClass("red");
  

• 修改元素的 HTML 内容

  可以使用 Element 中的 HTML 设置方法，具体如下：

  // 在末尾追加 HTML 内容
  public Element append(String html)
  // 在开头追加 HTML 内容
  public Element prepend(String html)
  // 在匹配元素内部添加 HTML 文本。这个方法将先清除元素中的 HTML 内容，然后用传入的 HTML 代替
  public Element html(String value)
  // 对元素包裹一个外部 HTML 内容，将元素置于新增的内容中间
  public Element wrap(String value)
  

  示例代码：

  Document doc = Jsoup.connect("http://csdn.com").get();
  
  Element div = doc.select("div").first();
  div.html("<p>csdn</p>");
  div.prepend("<p>a</p>");
  div.append("<p>good</p>");
  // 输出：<div"> <p>a</p> <p>csdn</p> <p>good</p> </div>
  
  Element span = doc.select("span").first();
  span.wrap("<li><a href='...'></a></li>");
  // 输出: <li><a href="..."> <span>csdn</span> </a></li>
  

• 修改元素的文本内容

  对于传入的文本，如果含有像 <, > 等这样的字符，将以文本处理，而非 HTML。

  // 清除元素内部的 HTML 内容，然后用提供的文本代替
  public Element text(String text)
  // 在元素后添加文本节点
  public Element prepend(String first)
  // 在元素前添加文本节点
  public Element append(String last)
  

  示例代码：

   // <div></div>
  Element div = doc.select("div").first();
  
  div.text(" one "); 
  div.prepend(" two ");
  div.append(" three ");
  // 输出: <div> two one three </div>
  

基本使用

获取文档（Document）

获得文档对象 Document 一共有 4 种方法，分别对应不同的获取方式。

• 从URL中加载文档对象（常用）

  使用 Jsoup.connect(String url).get() 方法获取（只支持 http 和 https 协议）：

  Document doc = Jsoup.connect("http://csdn.com/").get();
  String title = doc.title();
  

  • connect(String url) 方法创建一个新的 Connection 并通过 .get() 或者 .post() 方法获得数据。
  • 如果从该URL获取 HTML 时发生错误，便会抛出 IOException，应适当处理。

  Connection 接口还提供一个方法链来解决特殊请求，可以在发送请求时带上请求的头部参数。示例代码：

  Document doc = Jsoup.connect("http://csdn.com")
    .data("query", "Java")
    .userAgent("Mozilla")
    .cookie("auth", "token")
    .timeout(8000)
    .post();
  

  可以使用 execute() 方法获得完整的响应对象和响应码：

  // 获得响应对象
  Connection.Response response = Jsoup.connect("http://csdn.com").execute();
  // 获取状态码
  int code = response.statusCode();
  

• 从本地文件中加载文档对象

  可以使用静态的 Jsoup.parse(File in, String charsetName) 方法从文件中加载文档。其中 in 表示路径，charsetName 表示编码方式。示例代码：

  File input = new File("/tmp/input.html");
  Document doc = Jsoup.parse(input, "UTF-8");
  

• 从字符串文本中加载文档对象

  使用静态的 Jsoup.parse(String html) 方法可以从字符串文本中获得文档对象 Document 。示例代码：

  String html = "<html><head><title>First parse</title></head>"
    + "<body><p>Parsed HTML into a doc.</p></body></html>";
  Document doc = Jsoup.parse(html);
  

• 从 <body> 片断中获取文档对象

  使用 Jsoup.parseBodyFragment(String html) 方法，示例代码：

  String html = "<p>Lorem ipsum.</p>";
  Document doc = Jsoup.parseBodyFragment(html);
  // doc 此时为：<body> <p>Lorem ipsum.</p></body>
  
  Element body = doc.body();
  

  • parseBodyFragment 方法创建一个新的文档，并插入解析过的 HTML 到 body 元素中。
  • 虽然使用正常的 Jsoup.parse(String html) 方法，通常也能得到相同的结果，但是明确将用户输入作为 body 片段处理是个更好的方式。
  • Document.body() 方法能够取得文档 body 元素的所有子元素，与 doc.getElementsByTag(“body”) 相同。

选择元素（Element）

解析文档对象并获取数据一共有 2 种方式，分别为 DOM方式、CSS 选择器方式，可以选择一种自己喜欢的方式去获取数据，效果一样。

DOM 方式

将 HTML 解析成一个 Document 之后，就可以使用类似于 DOM 的方法进行操作。

常用方法详见 Element（元素）类 API

示例代码：

// 获取 csdn 首页所有的链接
Document doc = Jsoup.connect("http://csdn.com").get();

Elements elements  = doc.getElementsByTag("body");
Elements contents  = elements.first().getElementsByTag("a");

for (Element content : contents) 
    String linkHref = content.attr("href");
    String linkText = content.text();

CSS 选择器方式

可以使用类似于 CSS 选择器的语法来查找和操作元素，常用的方法为 select(String cssQuery)

示例代码：

Document doc = Jsoup.connect("http://csdn.com").get();

// 获取带有 href 属性的 a 元素
Elements elements = doc.select("a[href]");

for (Element content : elements) 
    String linkHref = content.attr("href");
    String linkText = content.text();

• select() 方法在 Document、Element 或 Elements 对象中都可以使用，而且是上下文相关的，因此可实现指定元素的过滤，或者采用链式访问。
• select() 方法将返回一个 Elements 集合，并提供一组方法来抽取和处理结果。

select(String cssQuery) 方法参数简介

• tagname ：通过标签查找元素，例如通过 “a” 来查找 <a> 标签。

• #id ：通过 ID 查找元素，比如通过 #logo 查找 <p id="logo">

• .class ：通过 class 名称查找元素，比如通过 .titile 查找 <p class="titile">

• ns|tag ：通过标签在命名空间查找元素，比如使用 fb|name 来查找 <fb:name>

• [attribute] ：利用属性查找元素，比如通过 [href]查找 <a href="...">

• [^attribute] ：利用属性名前缀来查找元素，比如：可以用 [^data-] 来查找带有 HTML5 dataset 属性的元素

• [attribute=value] ：利用属性值来查找元素，比如：[width=500]

• [attribute^=value], [attribute$=value], [attribute*=value] ：利用匹配属性值开头、结尾或包含属性值来查找元素，比如通过 [href*=/path/] 来查找 <a href="a/path/c.html">

• [attribute~=regex] ：利用属性值匹配正则表达式来查找元素

  比如通过 img[src~=(?i)\\.(png|jpe?g)] 来匹配所有的png 或者 jpg、jpeg 格式的图片

• * ：通配符，匹配所有元素

参数属性组合使用

• 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]匹配所有带有 href 属性的 a 元素

• 任意组合，比如：a[href].highlight 匹配所有带有 href 属性且 class=“highlight” 的 a 元素。

• ancestor child ：查找某个元素下子元素

  比如：可以用 .body p 查找在 “body” 元素下的所有 p 元素

• parent > child ：查找某个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 标签下所有直接子元素

• siblingA + siblingB ：查找在 A 元素之前第一个同级元素 B，比如：div.head + div

• siblingA ~ siblingX ：查找 A 元素之前的同级 X 元素，比如：h1 ~ p

• el, el, el ：多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo

特殊参数：伪选择器

• :lt(n) ：查找哪些元素的同级索引值（它的位置在 DOM 树中是相对于它的父节点）小于 n

  比如：td:lt(3) 表示小于三列的元素

• :gt(n) ：查找哪些元素的同级索引值大于 n，比如： div p:gt(2) 表示哪些 div 中有包含 2 个以上的 p 元素

• :eq(n) ：查找哪些元素的同级索引值与 n 相等，比如：form input:eq(1) 表示包含一个 input 标签的 Form元素

• :has(seletor) ：查找匹配选择器包含元素的元素，

  jsoup入门

  jsoup是一款Java的HTML解析器，主要用来对HTML解析。官网   中文文档

  在爬虫的时候，当我们用HttpClient之类的框架，获取到网页源码之后，需要从网页源码中取出我们想要的内容，

  就可以使用jsoup这类HTML解析器了。可以非常轻松的实现。

   

  虽然jsoup也支持从某个地址直接去爬取网页源码，但是只支持HTTP，HTTPS协议，支持不够丰富。

  所以，主要还是用来对HTML进行解析。

  ◆其中，要被解析的HTML可以是一个HTML的字符串，可以是一个URL，可以是一个文件。

  org.jsoup.Jsoup把输入的HTML转换成一个org.jsoup.nodes.Document对象，然后从Document对象中取出想要的元素。

  org.jsoup.nodes.Document继承了org.jsoup.nodes.Element，Element又继承了org.jsoup.nodes.Node类。里面提供了丰富的方法来获取HTML的元素。

   

  ◇解析HTML字符串

  String html = "<html><head><title>First parse</title></head>"
    + "<body><p>Parsed HTML into a doc.</p></body></html>";
  Document doc = Jsoup.parse(html);

   

  ◇从URL获取HTML来解析

  Document doc = Jsoup.connect("http://example.com/").get();
  String title = doc.title();

  其中Jsoup.connect("xxx")方法返回一个org.jsoup.Connection对象。

  在Connection对象中，我们可以执行get或者post来执行请求。但是在执行请求之前，

  我们可以使用Connection对象来设置一些请求信息。比如：头信息，cookie，请求等待时间，代理等等来模拟浏览器的行为。

  Document doc = Jsoup.connect("http://example.com")
    .data("query", "Java")
    .userAgent("Mozilla")
    .cookie("auth", "token")
    .timeout(3000)
    .post();

   

  ◇从文件加载HTML来解析

  File input = new File("/tmp/input.html");
  Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

   

  ◆获得Document对象后，接下来就是解析Document对象，并从中获取我们想要的元素了。

  Document中提供了丰富的方法来获取指定元素。

  ◇使用DOM的方式来取得　　

  　　getElementById(String id)：通过id来获取
  　　getElementsByTag(String tagName)：通过标签名字来获取
  　　getElementsByClass(String className)：通过类名来获取
  　　getElementsByAttribute(String key)：通过属性名字来获取
  　　getElementsByAttributeValue(String key, String value)：通过指定的属性名字，属性值来获取
  　　getAllElements()：获取所有元素

  ◇通过类似于css或jQuery的选择器来查找元素

   　　使用的是Element类的下记方法：

  　　　　public Elements select(String cssQuery)

  　　通过传入一个类似于CSS或jQuery的选择器字符串，来查找指定元素。

  例子：

  

  File input = new File("/tmp/input.html");
  Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
  Elements links = doc.select("a[href]"); //带有href属性的a元素
  
  Elements pngs = doc.select("img[src$=.png]");
  
  //扩展名为.png的图片
  
  
  
  Element masthead = doc.select("div.masthead").first();
  
  //class等于masthead的div标签
  
  
  
  Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素

  

   

  选择器的更多语法(可以在org.jsoup.select.Selector中查看到更多关于选择器的语法)：

  　　tagname: 通过标签查找元素，比如：a
  　　ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 <fb:name> 元素
  　　#id: 通过ID查找元素，比如：#logo
  　　.class: 通过class名称查找元素，比如：.masthead
  　　[attribute]: 利用属性查找元素，比如：[href]
  　　[^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素
  　　[attr=value]: 利用属性值来查找元素，比如：[width=500]
  　　[attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href*=/path/]
  　　[attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i)\\.(png|jpe?g)]
  　　*: 这个符号将匹配所有元素

  
  Selector选择器组合使用
  　　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]
  　　任意组合，比如：a[href].highlight
  　　ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素
  　　parent > child: 查找某个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标签下所有直接子元素
  　　siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div
  　　siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p
  　　el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo

  
  伪选择器selectors
  　　:lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素
  　　:gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素
  　　:eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
  　　:has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
  　　:not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表
  　　:contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)
  　　:containsOwn(text): 查找直接包含给定文本的元素
  　　:matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
  　　:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
  注意　　：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等
  
  

  ◆通过上面的选择器，我们可以取得一个Elements对象，它继承了ArrayList对象，里面放的全是Element对象。

  接下来我们要做的就是从Element对象中，取出我们真正需要的内容。

  通常有下面几种方法：

  ◇Element.text()

  　　这个方法用来取得一个元素中的文本。

  ◇Element.html()或Node.outerHtml()

  　　这个方法用来取得一个元素中的html内容

  ◇Node.attr(String key)

  　　获得一个属性的值，例如取得超链接<a href="">中href的值

   

   

  ◆HTML清理

  　　利用org.jsoup.safety.Cleaner类的clean方法，可以HTML，避免XSS攻击。

  例子：

  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/" rel="nofollow">Link</a></p>

   

  ◆综合实例：

  这个例子将结合HttpClient来爬取页面的HTML，再利用Jsoup对页面进行分析，提取极客头条的内容。

  

  package com.csdn;
  import java.io.IOException;
  import org.apache.http.HttpEntity;
  
  import org.apache.http.client.ClientProtocolException;
  
  import org.apache.http.client.methods.CloseableHttpResponse;
  
  import org.apache.http.client.methods.HttpGet;
  
  import org.apache.http.impl.client.CloseableHttpClient;
  
  import org.apache.http.impl.client.HttpClients;
  
  import org.apache.http.util.EntityUtils;
  
  import org.jsoup.Jsoup;
  
  import org.jsoup.nodes.Document;
  
  import org.jsoup.nodes.Element;
  
  import org.jsoup.select.Elements;
  public class HttpClientJsoupTest01 {
  </span><span style="color: #008000">//</span><span style="color: #008000">url传入 "</span><span style="color: #008000; text-decoration: underline">http://www.csdn.net/</span><span style="color: #008000">" </span>
  <span style="color: #0000ff">public</span> <span style="color: #0000ff">void</span><span style="color: #000000"> get(String url) {
      
      CloseableHttpClient client</span>=HttpClients.createDefault();    <span style="color: #008000">//</span><span style="color: #008000">定义一个默认的请求客户端</span>
  
          
          HttpGet get=new HttpGet(url);                //定义一个get请求
  
          CloseableHttpResponse response=null;        //定义一个响应
      <span style="color: #0000ff">try</span><span style="color: #000000"> {
          response</span>=<span style="color: #000000">client.execute(get);
          System.out.println(response.getStatusLine().getStatusCode());</span><span style="color: #008000">//</span><span style="color: #008000">打印响应状态码，200表示成功</span>
          HttpEntity entity=response.getEntity();        <span style="color: #008000">//</span><span style="color: #008000">获取响应实体</span>
          String html=EntityUtils.toString(entity);    <span style="color: #008000">//</span><span style="color: #008000">将实体的内容转换为字符串</span>
          
          <span style="color: #008000">/**</span><span style="color: #008000">
           * 接下来就利用jsoup来解析前面取得的html，并获取csdn首页的极客头条栏目下的标题
           </span><span style="color: #008000">*/</span><span style="color: #000000">
          Document document</span>=Jsoup.parse(html);    <span style="color: #008000">//</span><span style="color: #008000">利用Jsoup类的静态方法，将html转换成一个Document对象</span>
          Element element=document.select("div.wrap .left .hot_blog ul").first();    <span style="color: #008000">//</span><span style="color: #008000">利用select选择器，取得需要的li元素集合</span>
          Elements elements= element.select("a");    <span style="color: #008000">//</span><span style="color: #008000">取得a链接的集合</span>
          
          <span style="color: #0000ff">for</span><span style="color: #000000"> (Element element2 : elements) {
              System.out.println(</span>"标题："+element2.attr("title")+"        --&gt;&gt;    地址："+element2.attr("href"<span style="color: #000000">));
          }
          
      } </span><span style="color: #0000ff">catch</span><span style="color: #000000"> (ClientProtocolException e) {
          </span><span style="color: #008000">//</span><span style="color: #008000"> TODO Auto-generated catch block</span>
  
              e.printStackTrace();
  
  } catch (IOException e) {
  
  // TODO Auto-generated catch block
  
              e.printStackTrace();
  
  }finally {
  
  try {
  
  response.close();
  
  client.close();
  
  } catch (IOException e) {
  
  // TODO Auto-generated catch block
  
                  e.printStackTrace();
  
  }
  
  }
  
  }
  
  }

  

  GitHub下载

   

  以上是关于jsoup 框架的使用指南的主要内容，如果未能解决你的问题，请参考以下文章

  jsoup 框架的使用指南

  使用jsoup十分钟内掌握爬虫技术

  爬虫实践－基于Jsoup爬取Facebook群组成员信息

  爬虫实践－基于Jsoup爬取Facebook群组成员信息

  jsoup教程

  java jsoup怎样爬取特定网页内的数据