【使用JSOUP实现网络爬虫】解析一个body片断

问题

假如你有一个HTML片断 (比如. 一个

div

包含一对

p

标签; 一个不完整的HTML文档) 想对它进行解析。这个HTML片断可以是用户提交的一条评论或在一个CMS页面中编辑body部分。

办法

使用

Jsoup.parseBodyFragment(String html)

方法.

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

说明

parseBodyFragment

方法创建一个空壳的文档，并插入解析过的HTML到

body

元素中。假如你使用正常的

Jsoup.parse(String html)

方法，通常你也可以得到相同的结果，但是明确将用户输入作为 body片段处理，以确保用户所提供的任何糟糕的HTML都将被解析成body元素。

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。

保证安全Stay safe

假如你可以让用户输入HTML内容，那么要小心避免跨站脚本攻击。利用基于

Whitelist

的清除器和

clean(String bodyHtml, Whitelist whitelist)

方法来清除用户输入的恶意内容。
阅读更多JSOUP相关文章，请看专栏：《使用JSOUP实现网络爬虫》