Jsoup官方教程(二)【输入】
2017-12-06 11:41
113 查看
解析一个HTML字符串
存在问题
来自用户输入,一个文件或一个网站的HTML字符串,你可能需要对它进行解析并取其内容,或校验其格式是否完整,或想修改它。怎么办?jsonu能够帮你轻松解决这些问题解决方法
使用静态Jsoup.parse(String html)方法或
Jsoup.parse(String html, String baseUri)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);
描述
parse(String html, String baseUri)这方法能够将输入的HTML解析为一个新的文档 (
Document),参数 baseUri 是用来将相对 URL 转成绝对URL,并指定从哪个网站获取文档。如这个方法不适用,你可以使用
parse(String html)方法来解析成HTML字符串如上面的示例。.
只要解析的不是空字符串,就能返回一个结构合理的文档,其中包含(至少) 一个head和一个body元素。
一旦拥有了一个Document,你就可以使用Document中适当的方法或它父类
Element和
Node中的方法来取得相关数据。
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。
从一个URL加载一个Document
存在问题
你需要从一个网站获取和解析一个HTML文档,并查找其中的相关数据。你可以使用下面解决方法:解决方法
使用Jsoup.connect(String url)方法:
Document doc = Jsoup.connect("http://example.com/").get(); String title = doc.title();
说明
connect(String url)方法创建一个新的
Connection, 和
get()取得和解析一个HTML文件。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,具体如下:
Document doc = Jsoup.connect("http://example.com") .data("query", "Java") .userAgent("Mozilla") .cookie("auth", "token") .timeout(3000) .post();
这个方法只支持Web URLs (
http和
https协议); 假如你需要从一个文件加载,可以使用
parse(File in, String charsetName)代替。
从一个文件加载一个文档
问题
在本机硬盘上有一个HTML文件,需要对它进行解析从中抽取数据或进行修改。办法
可以使用静态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/");
说明
parse(File in, String charsetName, String baseUri)这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误,将抛出IOException,应作适当处理。
baseUri参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。
另外还有一个方法
parse(File in, String charsetName),它使用文件的路径做为
baseUri。这个方法适用于如果被解析文件位于网站的本地文件系统,且相关链接也指向该文件系统。
相关文章推荐
- 【Arduino官方教程】数字处理示例(四):输入上拉
- Jsoup 使用教程:输入
- Jsoup官方教程(一)【入门】
- Jsoup官方教程(四)【数据修改】
- 【LWJGL官方教程】输入处理
- I学霸官方免费教程二十二:Java常用类之接收控制台输入 Scanner类
- Jsoup官方教程(五)【HTML清理】
- 【Arduino官方教程第一辑】示例程序 3-2 模拟信号输入
- Apache Storm 官方文档 —— Trident 教程 原文链接 译者:魏勇 Trident 是 Storm 的一种高度抽象的实时计算模型,它可以将高吞吐量(每秒百万级)数据输入、有状
- 智渔课堂官方免费教程二十二:Java常用类之接收控制台输入 Scanner类
- Jsoup官方教程(三)【数据抽取】
- Apple 官方开发教程
- AFNnetworking快速教程,官方入门教程译
- RabbitMQ官方教程之一 “创建 hello world!”
- 【Arduino官方教程】数字处理示例(九):音调跟随器
- Hololens官方教程精简版 - 02. Introduction with Device
- Java集合框架官方教程(7):自定义集合类的实现
- python 教程 第十章、 输入/输出
- BootStrap入门教程 (四) :JQuery类库插件(模态窗口,滚动监控,标签效果,提示效果,“泡芙”效果,警告区域,折叠效果,旋转木马,输入提示)
- Asp.Net MVC4.0 官方教程 入门指南之四--添加一个模型