当前位置：首页 > 前端开发 > 正文

如何用jsoup解析HTML标签？

admin
前端开发
2025-06-29
3143

jsoup通过加载HTML字符串、文件或URL创建Document对象，使用DOM遍历或CSS选择器定位元素，支持属性提取、文本获取和节点操作，实现高效HTML解析。

什么是jsoup？

jsoup 是一款用于解析、提取和操作HTML文档的Java库，它专为处理真实世界的HTML设计（如处理不闭合标签、错误嵌套等），提供类似jQuery的DOM操作API，广泛应用于网页抓取、数据清洗和HTML解析任务。

核心解析步骤

加载HTML文档

jsoup支持多种HTML加载方式：

// 从URL加载（需处理异常）
Document doc = Jsoup.connect("https://example.com").get();
// 从字符串加载
String html = "<div><p>Hello, jsoup!</p></div>";
Document doc = Jsoup.parse(html);
// 从本地文件加载
File file = new File("page.html");
Document doc = Jsoup.parse(file, "UTF-8");

定位HTML标签

通过选择器语法或DOM方法定位元素：

// 使用CSS选择器（推荐）
Elements links = doc.select("a[href]");      // 所有带href的<a>标签
Elements headers = doc.select("h1, h2, h3"); // 所有标题标签
// 使用DOM方法
Element firstDiv = doc.getElementById("main"); // 通过ID
Elements paragraphs = doc.getElementsByTag("p"); // 通过标签名

提取标签内容

获取标签的属性和文本：

for (Element link : links) {
    String href = link.attr("href");     // 提取href属性
    String text = link.text();           // 提取可见文本（不含HTML标签）
    String htmlContent = link.html();    // 提取内部HTML
    String outerHtml = link.outerHtml(); // 提取完整HTML（包含自身标签）
}

修改HTML结构

动态操作DOM树：

如何用jsoup解析HTML标签？第1张

// 修改属性
link.attr("rel", "nofollow");
// 添加/移除类
div.addClass("highlight");
div.removeClass("old-class");
paragraph.text("新文本内容");  // 转义特殊字符
paragraph.html("<b>加粗文本</b>"); // 插入HTML
// 删除元素
div.remove();

处理嵌套标签

遍历子元素或父元素：

// 遍历直接子元素
for (Element child : div.children()) {
    System.out.println(child.tagName());
}
// 查找父元素
Element parent = link.parent();
// 查找特定祖先
Element ancestor = link.closest("div.container");

关键特性

容错性强
自动修复未闭合标签（如 <li> 未闭合）、错误嵌套结构（如 <div> 内嵌 <table>），确保解析稳定性。

CSS选择器支持
支持类jQuery的选择器语法：

doc.select("div.content > p:first-child"); // 定位直接子段落

白名单过滤（防XSS攻击）
清理用户输入的HTML：
```
String safeHtml = Jsoup.clean(rawHtml, Whitelist.basic());
```

文本格式化
提取纯文本并保留可读格式：

String plainText = doc.text(); // 获取整个文档的纯文本

完整示例：抓取并解析网页

try {
    // 抓取网页并解析
    Document doc = Jsoup.connect("https://news.example.com")
                        .timeout(5000) // 超时设置
                        .get();
    // 提取所有新闻标题（<h2 class="title">）
    Elements titles = doc.select("h2.title");
    for (Element title : titles) {
        System.out.println("标题: " + title.text());
        System.out.println("父容器ID: " + title.parent().id());
    }
    // 修改第一个标题s.first().html("<em>最新头条</em>");
    // 输出修改后的HTML
    System.out.println(doc.html());
} catch (IOException e) {
    e.printStackTrace(); // 网络异常处理
}