3使用Jsoup解析Java中HTML文件的示例

HTML是Web的核心，无论您是通过JavaScript，JSP，PHP，ASP还是任何其他Web技术动态生成的，您在Internet上看到的所有页面都是基于HTML的。您的浏览器实际上是解析HTML并为您呈现。但是，如果需要解析HTML文档并查找某些元素，标签，属性或检查特定元素是否存在，该怎么办，所有这些操作都使用Java程序完成。

如果您从事Java编程已经有几年了，我相信您已经使用DOM和SAX之类的解析器完成了一些XML解析工作。具有讽刺意味的是，很少有需要从核心Java应用程序解析HTML文档的情况，该应用程序不包括Servlet和其他Java Web技术。更糟的是，核心JDK中也没有HTTP或HTML库。这就是为什么在解析HTML文件时 ，许多Java程序员不得不看Google以了解如何获取Java中HTML标记的价值。

当我需要时，我确定会有一个开源库为我实现该功能，但不知道它像JSoup一样出色且功能丰富。它不仅提供了读取和解析HTML文档的支持，而且还允许您从HTML文件，其属性， JQuery样式的CSS类中提取任何元素，同时还允许您对其进行修改。您可以使用Jsoup对HTML文档进行任何操作。

在本文中，我们将解析和HTML文件，并找出title和heading标签的值。我们还将看到通过使用Java解析Google主页来从文件以及任何URL或Internet下载和解析HTML的示例。

Jsoup是用于处理实际HTML的开源Java库。它提供了使用DOM，CSS和类似jquery的最好方法提取和处理数据的非常方便的API。 Jsoup实现WHATWG HTML5规范，并将HTML解析为与现代浏览器（例如Chrome和Firefox）相同的DOM。这是jsoup库的一些有用的功能：

Jsoup可以从URL，文件或字符串中抓取并解析HTML
Jsoup可以使用DOM遍历或CSS选择器来查找和提取数据
Jsoup允许您操纵HTML元素，属性和文本
Jsoup针对安全的白名单提供干净的用户提交的内容，以防止XSS攻击
Jsoup还可以输出整洁HTML

Jsoup旨在处理现实世界中发现的各种HTML，其中包括经过正确验证HTML以完成不完整的非验证标签集合。 Jsoup的核心优势之一是它非常强大。

在此Java HTML解析教程中，我们将看到使用jsoup在Java中解析和遍历HTML文档的三个不同示例。在第一个示例中，我们将解析一个HTML String ，其内容均为标记，以Java中的String文字形式出现。在第二个示例中，我们将从网络上下载HTML文档，在第三个示例中，我们将加载我们自己的示例HTML文件login.html进行解析。此文件是一个示例HTML文档，在正文部分包含一个标题标签和一个div，其中div包含一个HTML表单。它具有输入标签来捕获用户名和密码，并提供提交和重置按钮以采取进一步措施。这是可以验证的正确HTML，即所有标签和属性均已正确关闭。这是我们的示例HTML文件的外观：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html><head><meta http-equiv="Content-Type" content="text/html; charset=ISO-8859-1"><title>Login Page</title></head><body><div id="login" class="simple" ><form action="login.do">Username : <input id="username" type="text" /><br>Password : <input id="password" type="password" /><br><input id="submit" type="submit" /><input id="reset" type="reset" /></form></div></body>
</html>

使用Jsoup进行HTML解析非常简单，只需调用静态方法Jsoup.parse（）并将HTML字符串传递给它即可。 JSoup提供了几个重载的parse（）方法来从String，文件，基本URI，URL和InputStream中读取HTML文件。如果它们不是“ UTF-8”格式，也可以指定字符编码以正确读取HTML文件。

parse（String html）方法将输入HTML解析为新的Document。在Jsoup中，文档扩展了元素，该元素扩展了Node。同样，TextNode扩展了Node。只要您传递非null字符串，就可以确保您使用包含（至少）head和body元素的Document进行了成功，明智的解析。拥有文档后，可以通过在Document及其父类Element和Node中调用适当的方法来获取所需的数据。

JSoupl HTML解析示例这是我们完整的Java程序，用于解析HTML字符串，从Internet下载HTML文件和来自本地文件系统HTML文件。为了运行该程序，您可以使用Eclipse IDE，也可以仅使用任何IDE或命令提示符。在Eclipse中，这非常简单，只需复制此代码，创建一个新的Java项目，右键单击src包并将其粘贴。 Eclipse将负责创建具有相同名称的正确的程序包和Java源文件，因此绝对省事。如果您已经有一个Sample Java项目，那么这只是一步。以下Java程序显示了3个解析和遍历HTML文件的示例。在第一个示例中，我们直接解析具有html内容的String ，在第二个示例中，我们解析从URL下载HTML文件，在第三个示例中，我们从本地文件系统加载并解析HTML文档。

import java.io.File;
import java.io.IOException;import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;/**
* Java Program to parse/read HTML documents from File using Jsoup library.
* Jsoup is an open source library which allows Java developer to parse HTML
* files and extract elements, manipulate data, change style using DOM, CSS and
* JQuery like method.
*
* @author Javin Paul
*/
public class HTMLParser{public static void main(String args[]) {// Parse HTML String using JSoup libraryString HTMLSTring = "<!DOCTYPE html>"+ "<html>"+ "<head>"+ "<title>JSoup Example</title>"+ "</head>"+ "<body>"+ "<table><tr><td><h1>HelloWorld</h1></tr>"+ "</table>"+ "</body>"+ "</html>";Document html = Jsoup.parse(HTMLSTring);String title = html.title();String h1 = html.body().getElementsByTag("h1").text();System.out.println("Input HTML String to JSoup :" + HTMLSTring);System.out.println("After parsing, Title : " + title);System.out.println("Afte parsing, Heading : " + h1);// JSoup Example 2 - Reading HTML page from URLDocument doc;try {doc = Jsoup.connect("http://google.com/").get();title = doc.title();} catch (IOException e) {e.printStackTrace();}System.out.println("Jsoup Can read HTML page from URL, title : " + title);// JSoup Example 3 - Parsing an HTML file in Java//Document htmlFile = Jsoup.parse("login.html", "ISO-8859-1"); // wrongDocument htmlFile = null;try {htmlFile = Jsoup.parse(new File("login.html"), "ISO-8859-1");} catch (IOException e) {// TODO Auto-generated catch blocke.printStackTrace();} // righttitle = htmlFile.title();Element div = htmlFile.getElementById("login");String cssClass = div.className(); // getting class form HTML elementSystem.out.println("Jsoup can also parse HTML file directly");System.out.println("title : " + title);System.out.println("class of div tag : " + cssClass);}}

Output:
Input HTML String to JSoup :<!DOCTYPE html><html><head><title>JSoup Example</title></head><body><table><tr><td><h1>HelloWorld</h1></tr></table></body></html>
After parsing, Title : JSoup Example
Afte parsing, Heading : HelloWorld
Jsoup Can read HTML page from URL, title : Google
Jsoup can also parse HTML file directly
title : Login Page
class of div tag : simple

Jsoup HTML解析器将尽一切努力从您提供HTML创建干净的解析，而不管HTML的格式是否正确。它可以处理以下错误：
未关闭的标签（例如 Java Scala到 Java Scala ）
隐式标签（例如ega裸<td> Java很棒</ td>包裹在<table> <tr> <td>中）可靠地创建文档结构（html包含头和主体，并且头中仅包含适当的元素）。

Jsoup是一个出色且强大的开源库，它使读取html文档，正文片段，html字符串以及直接从Web上直接解析html内容变得非常容易。