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
8

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：

如何用jsoup解析HTML标签？第1张

修改HTML结构

动态操作DOM树：

// 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攻破）
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 }