（转载）Html解析工具Jsoup

时间 2020-04-21

标签转载 html 解析工具 jsoup 栏目 HTML 繁體版

原文原文链接

jsoup 简介
Java 程序在解析 HTML 文档时，相信你们都接触过 htmlparser 这个开源项目，我曾经在 IBM DW 上发表过两篇关于 htmlparser 的文章，分别是：从 HTML 中攫取你所需的信息和扩展 HTMLParser 对自定义标签的处理能力。但如今我已经再也不使用 htmlparser 了，缘由是 htmlparser 不多更新，但最重要的是有了 jsoup 。
jsoup 是一款 Java 的 HTML 解析器，可直接解析某个 URL 地址、HTML 文本内容。它提供了一套很是省力的 API，可经过 DOM，CSS 以及相似于 jQuery 的操做方法来取出和操做数据。
jsoup 的主要功能以下：
1. 从一个 URL，文件或字符串中解析 HTML；
2. 使用 DOM 或 CSS 选择器来查找、取出数据；
3. 可操做 HTML 元素、属性、文本；php

官网地址：http://www.open-open.com/jsoup/ css

jsoup Cookbook(中文版)
入门
1.解析和遍历一个html文档
输入
2.解析一个html字符串
3.解析一个body片段
4.根据一个url加载Document对象
5.根据一个文件加载Document对象
数据抽取
6.使用dom方法来遍历一个Document对象
7.使用选择器语法来查找元素
8.从元素集合抽取属性、文本和html内容
9.URL处理
10.程序示例：获取全部连接
数据修改
11.设置属性值
12.设置元素的html内容
13.设置元素的文本内容
html清理
14.消除不受信任的html (来防止xss攻击)html

1.解析和遍历一个HTML文档
如何解析一个HTML文档：java

 
         String html =  
         "<html><head><title>First parse</title></head>" 
        
         +  
         "<body><p>Parsed HTML into a doc.</p></body></html>" 
         ; 
        
         Document doc = Jsoup.parse(html);

　　(更详细内容可查看解析一个HTML字符串.)node

其解析器可以尽最大可能从你提供的HTML文档来创见一个干净的解析结果，不管HTML的格式是否完整。好比它能够处理：jquery

没有关闭的标签 (好比： Lorem Ipsum parses to Lorem Ipsum)
隐式标签 (好比. 它能够自动将 <td>Table data</td>包装成<table><tr><td>?)
建立可靠的文档结构（html标签包含head 和 body，在head只出现恰当的元素）
一个文档的对象模型
文档由多个Elements和TextNodes组成 (以及其它辅助nodes：详细可查看：nodes package tree).
其继承结构以下：Document继承Element继承Node. TextNode继承 Node.
一个Element包含一个子节点集合，并拥有一个父Element。他们还提供了一个惟一的子元素过滤列表。
参见
数据抽取：DOM遍历
数据抽取：Selector syntaxcss3

2.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，你可能须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可以帮你轻松解决这些问题web

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：正则表达式

 
         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django

parse(String html, String baseUri) 这方法可以将输入的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，并指定从哪一个网站获取文档。如这个方法不适用，你可使用 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。

3.解析一个body片段

问题
假如你有一个HTML片段 (好比. 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片段能够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 方法建立一个空壳的文档，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，一般你也能够获得相同的结果，可是明确将用户输入做为 body片断处理，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() 方法可以取得文档body元素的全部子元素，与 doc.getElementsByTag("body")相同。

保证安全Stay safe
假如你可让用户输入HTML内容，那么要当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。

4.从一个URL加载一个Document

存在问题

你须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) 方法建立一个新的 Connection, 和 get() 取得和解析一个HTML文件。若是从该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，具体以下：

 
         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); 假如你须要从一个文件加载，可使用 parse(File in, String charsetName) 代替。

5.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，须要对它进行解析从中抽取数据或进行修改。

办法

可使用静态 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，应做适当处理。

baseUri 参数用于解决文件中URLs是相对路径的问题。若是不须要能够传入一个空的字符串。

另外还有一个方法parse(File in, String charsetName) ，它使用文件的路径作为 baseUri。这个方法适用于若是被解析文件位于网站的本地文件系统，且相关连接也指向该文件系统。

6.使用DOM方法来遍历一个文档

问题

你有一个HTML文档要从中提取数据，并了解这个HTML文档的结构。

方法

将HTML解析成一个Document以后，就可使用相似于DOM的方法进行操做。示例代码：

 
         File input =  
         new  
         File( 
         "/tmp/input.html" 
         ); 
        
         Document doc = Jsoup.parse(input,  
         "UTF-8" 
         ,  
         "http://example.com/" 
         ); 
        
         Element content = doc.getElementById( 
         "content" 
         ); 
        
         Elements links = content.getElementsByTag( 
         "a" 
         ); 
        
         for  
         (Element link : links) { 
        
         String linkHref = link.attr( 
         "href" 
         ); 
        
         String linkText = link.text(); 
        
         }

　　说明

Elements这个对象提供了一系列相似于DOM的方法来查找元素，抽取并处理其中的数据。具体以下：

查找元素

getElementById(String id)
getElementsByTag(String tag)
getElementsByClass(String className)
getElementsByAttribute(String key) (and related methods)
Element siblings: siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()
Graph: parent(), children(), child(int index)

元素数据

attr(String key)获取属性attr(String key, String value)设置属性
attributes()获取全部属性
id(), className() and classNames()
text()获取文本内容text(String value) 设置文本内容
html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
outerHtml()获取元素外HTML内容
data()获取数据内容（例如：script和style标签)
tag() and tagName()

操做HTML和文本

7.使用选择器语法来查找元素

问题

你想使用相似于CSS或jQuery的语法来查找和操做元素。

方法

可使用Element.select(String selector) 和 Elements.select(String selector) 方法实现：

 
         File input =  
         new  
         File( 
         "/tmp/input.html" 
         ); 
        
         Document doc = Jsoup.parse(input,  
         "UTF-8" 
         ,  
         "http://example.com/" 
         ); 
        
         Elements links = doc.select( 
         "a[href]" 
         );  
         //带有href属性的a元素 
        
         Elements pngs = doc.select( 
         "img[src$=.png]" 
         ); 
        
         //扩展名为.png的图片 
        
         Element masthead = doc.select( 
         "div.masthead" 
         ).first(); 
        
         //class等于masthead的div标签 
        
         Elements resultLinks = doc.select( 
         "h3.r > a" 
         );  
         //在h3元素以后的a元素

　说明

jsoup elements对象支持相似于CSS (或jquery)的选择器语法，来实现很是强大和灵活的查找功能。.

这个select 方法在Document, Element,或Elements对象中均可以使用。且是上下文相关的，所以可实现指定元素的过滤，或者链式选择访问。

Select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。

Selector选择器概述

tagname: 经过标签查找元素，好比：a
ns|tag: 经过标签在命名空间查找元素，好比：能够用 fb|name 语法来查找 <fb:name> 元素
#id: 经过ID查找元素，好比：#logo
.class: 经过class名称查找元素，好比：.masthead
[attribute]: 利用属性查找元素，好比：[href]
[^attr]: 利用属性名前缀来查找元素，好比：能够用[^data-] 来查找带有HTML5 Dataset属性的元素
[attr=value]: 利用属性值来查找元素，好比：[width=500]
[attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，好比：[href*=/path/]
[attr~=regex]: 利用属性值匹配正则表达式来查找元素，好比： img[src~=(?i)\.(png|jpe?g)]
*: 这个符号将匹配全部元素

Selector选择器组合使用

el#id: 元素+ID，好比： div#logo
el.class: 元素+class，好比： div.masthead
el[attr]: 元素+class，好比： a[href]
任意组合，好比：a[href].highlight
ancestor child: 查找某个元素下子元素，好比：能够用.body p 查找在"body"元素下的全部 p元素
parent > child: 查找某个父元素下的直接子元素，好比：能够用div.content > p 查找 p 元素，也能够用body > * 查找body标签下全部直接子元素
siblingA + siblingB: 查找在A元素以前第一个同级元素B，好比：div.head + div
siblingA ~ siblingX: 查找A元素以前的同级X元素，好比：h1 ~ p
el, el, el:多个选择器组合，查找匹配任一选择器的惟一元素，例如：div.masthead, div.logo

伪选择器selectors

:lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，好比：td:lt(3) 表示小于三列的元素
:gt(n):查找哪些元素的同级索引值大于n，好比： div p:gt(2)表示哪些div中有包含2个以上的p元素
:eq(n): 查找哪些元素的同级索引值与n相等，好比：form input:eq(1)表示包含一个input标签的Form元素
:has(seletor): 查找匹配选择器包含元素的元素，好比：div:has(p)表示哪些div包含了p元素
:not(selector): 查找与选择器不匹配的元素，好比： div:not(.logo) 表示不包含 class="logo" 元素的全部 div 列表
:contains(text): 查找包含给定文本的元素，搜索不区分大不写，好比： p:contains(jsoup)
:containsOwn(text): 查找直接包含给定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正则表达式，好比：div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等

能够查看Selector API参考来了解更详细的内容

8.从元素抽取属性，文本和HTML

问题

在解析得到一个Document实例对象，并查找到一些元素以后，你但愿取得在这些元素中的数据。

方法

要取得一个属性的值，可使用Node.attr(String key) 方法
对于一个元素中的文本，可使用Element.text()方法
对于要取得元素或属性中的HTML内容，可使用Element.html(), 或 Node.outerHtml()方法

示例：

 
         String html =  
         "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>" 
         ; 
        
         Document doc = Jsoup.parse(html); 
         //解析HTML字符串返回一个Document实现 
        
         Element link = doc.select( 
         "a" 
         ).first(); 
         //查找第一个a元素 
        
         String text = doc.body().text();  
         // "An example link"//取得字符串中的文本 
        
         String linkHref = link.attr( 
         "href" 
         );  
         // "http://example.com/"//取得连接地址 
        
         String linkText = link.text();  
         // "example""//取得连接地址中的文本 
        
         String linkOuterH = link.outerHtml(); 
        
         // "<a href="http://example.com"><b>example</b></a>" 
        
         String linkInnerH = link.html();  
         // "<b>example</b>"//取得连接内的html内容

　　说明

上述方法是元素数据访问的核心办法。此外还其它一些方法可使用：

Element.id()
Element.tagName()
Element.className() and Element.hasClass(String className)

这些访问器方法都有相应的setter方法来更改数据.

参见

9.处理URLs

问题

你有一个包含相对URLs路径的HTML文档，须要将这些相对路径转换成绝对路径的URLs。

方法

在你解析文档时确保有指定base URI，而后

使用 abs: 属性前缀来取得包含base URI的绝对路径。代码以下：

 
           Document doc = Jsoup.connect( 
           "http://www.open-open.com" 
           ).get(); 
          
           Element link = doc.select( 
           "a" 
           ).first(); 
          
           String relHref = link.attr( 
           "href" 
           );  
           // == "/" 
          
           String absHref = link.attr( 
           "abs:href" 
           );  
           // "http://www.open-open.com/"

　　说明

在HTML元素中，URLs常常写成相对于文档位置的相对路径： <a href="/download">...</a>. 当你使用 Node.attr(String key) 方法来取得a元素的href属性时，它将直接返回在HTML源码中指定定的值。

假如你须要取得一个绝对路径，须要在属性名前加 abs: 前缀。这样就能够返回包含根路径的URL地址attr("abs:href")

所以，在解析HTML文档时，定义base URI很是重要。

若是你不想使用abs: 前缀，还有一个方法可以实现一样的功能 Node.absUrl(String key)。

10.示例程序: 获取全部连接

这个示例程序将展现如何从一个URL得到一个页面。而后提取页面中的全部连接、图片和其它辅助内容。并检查URLs和文本信息。

运行下面程序须要指定一个URLs做为参数

 
         import  
         org.jsoup.Jsoup; 
        
         import  
         org.jsoup.helper.Validate; 
        
         import  
         org.jsoup.nodes.Document; 
        
         import  
         org.jsoup.nodes.Element; 
        
         import  
         org.jsoup.select.Elements; 
        
         import  
         java.io.IOException; 
        
         /** 
        
         * Example program to list links from a URL. 
        
         */ 
        
         public  
         class  
         ListLinks { 
        
         public  
         static  
         void  
         main(String[] args)  
         throws  
         IOException { 
        
         // Validate.isTrue(args.length == 1, "usage: supply url to fetch"); 
        
         String url =  
         "http://news.ycombinator.com/" 
         ; 
        
         print( 
         "Fetching %s..." 
         , url); 
        
         Document doc = Jsoup.connect(url).get(); 
        
         Elements links = doc.select( 
         "a[href]" 
         );  
         //"a[href]" //带有href属性的a元素 
        
         Elements media = doc.select( 
         "[src]" 
         );    
         //利用属性查找元素，好比：[href] 
        
         Elements imports = doc.select( 
         "link[href]" 
         ); 
        
         print( 
         "\nMedia: (%d)" 
         , media.size()); 
        
         for  
         (Element src : media) { 
        
         if  
         (src.tagName().equals( 
         "img" 
         )) 
        
         print( 
         " * %s: <%s> %sx%s (%s)" 
         , 
        
         src.tagName(), src.attr( 
         "abs:src" 
         ), src.attr( 
         "width" 
         ), src.attr( 
         "height" 
         ), 
        
         trim(src.attr( 
         "alt" 
         ),  
         20 
         )); 
         //src.attr("src")结果:<y18.gif> 18x18 ()  
        
         //src.attr("abs:src")结果:<https://news.ycombinator.com/y18.gif> 18x18 () 
        
         else 
        
         print( 
         " * %s: <%s>" 
         , src.tagName(), src.attr( 
         "abs:src" 
         )); 
        
         } 
        
         print( 
         "\nImports: (%d)" 
         , imports.size()); 
        
         for  
         (Element link : imports) { 
        
         print( 
         " * %s <%s> (%s)" 
         , link.tagName(),link.attr( 
         "abs:href" 
         ), link.attr( 
         "rel" 
         )); 
        
         } 
        
         print( 
         "\nLinks: (%d)" 
         , links.size()); 
        
         for  
         (Element link : links) { 
        
         print( 
         " * a: <%s>  (%s)" 
         , link.attr( 
         "abs:href" 
         ), trim(link.text(),  
         35 
         )); 
        
         } 
        
         } 
        
         private  
         static  
         void  
         print(String msg, Object... args) { 
        
         System.out.println(String.format(msg, args)); 
        
         } 
        
         private  
         static  
         String trim(String s,  
         int  
         width) { 
        
         if  
         (s.length() > width) 
        
         return  
         s.substring( 
         0 
         , width- 
         1 
         ) +  
         "." 
         ; 
        
         else 
        
         return  
         s; 
        
         } 
        
         } 
        
         //org/jsoup/examples/ListLinks.java

　　示例输入结果：

 
         Fetching http: 
         //news.ycombinator.com/... 
        
         Media: ( 
         38 
         ) 
        
         * img: <http: 
         //ycombinator.com/images/y18.gif> 18x18 () 
        
         * img: <http: 
         //ycombinator.com/images/s.gif> 10x1 () 
        
         * img: <http: 
         //ycombinator.com/images/grayarrow.gif> x () 
        
         * img: <http: 
         //ycombinator.com/images/s.gif> 0x10 () 
        
         * script: <http: 
         //www.co2stats.com/propres.php?s=1138> 
        
         * img: <http: 
         //ycombinator.com/images/s.gif> 15x1 () 
        
         * img: <http: 
         //ycombinator.com/images/hnsearch.png> x () 
        
         * img: <http: 
         //ycombinator.com/images/s.gif> 25x1 () 
        
         * img: <http: 
         //mixpanel.com/site_media/images/mixpanel_partner_logo_borderless.gif> x (Analytics by Mixpan.) 
        
         Imports: ( 
         2 
         ) 
        
         * link <http: 
         //ycombinator.com/news.css> (stylesheet) 
        
         * link <http: 
         //ycombinator.com/favicon.ico> (shortcut icon) 
        
         Links: ( 
         141 
         ) 
        
         * a: <http: 
         //ycombinator.com>  () 
        
         * a: <http: 
         //news.ycombinator.com/news>  (Hacker News) 
        
         * a: <http: 
         //news.ycombinator.com/newest>  (new) 
        
         * a: <http: 
         //news.ycombinator.com/newcomments>  (comments) 
        
         * a: <http: 
         //news.ycombinator.com/leaders>  (leaders) 
        
         * a: <http: 
         //news.ycombinator.com/jobs>  (jobs) 
        
         * a: <http: 
         //news.ycombinator.com/submit>  (submit) 
        
         * a: <http: 
         //news.ycombinator.com/x?fnid=JKhQjfU7gW>  (login) 
        
         * a: <http: 
         //news.ycombinator.com/vote?for=1094578&dir=up&whence=%6e%65%77%73>  () 
        
         * a: <http: 
         //www.readwriteweb.com/archives/facebook_gets_faster_debuts_homegrown_php_compiler.php?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+readwriteweb+%28ReadWriteWeb%29&utm_content=Twitter>  (Facebook speeds up PHP) 
        
         * a: <http: 
         //news.ycombinator.com/user?id=mcxx>  (mcxx) 
        
         * a: <http: 
         //news.ycombinator.com/item?id=1094578>  (9 comments) 
        
         * a: <http: 
         //news.ycombinator.com/vote?for=1094649&dir=up&whence=%6e%65%77%73>  () 
        
         * a: <http: 
         //groups.google.com/group/django-developers/msg/a65fbbc8effcd914>  ("Tough. Django produces XHTML.") 
        
         * a: <http: 
         //news.ycombinator.com/user?id=andybak>  (andybak) 
        
         * a: <http: 
         //news.ycombinator.com/item?id=1094649>  (3 comments) 
        
         * a: <http: 
         //news.ycombinator.com/vote?for=1093927&dir=up&whence=%6e%65%77%73>  () 
        
         * a: <http: 
         //news.ycombinator.com/x?fnid=p2sdPLE7Ce>  (More) 
        
         * a: <http: 
         //news.ycombinator.com/lists>  (Lists) 
        
         * a: <http: 
         //news.ycombinator.com/rss>  (RSS) 
        
         * a: <http: 
         //ycombinator.com/bookmarklet.html>  (Bookmarklet) 
        
         * a: <http: 
         //ycombinator.com/newsguidelines.html>  (Guidelines) 
        
         * a: <http: 
         //ycombinator.com/newsfaq.html>  (FAQ) 
        
         * a: <http: 
         //ycombinator.com/newsnews.html>  (News News) 
        
         * a: <http: 
         //news.ycombinator.com/item?id=363>  (Feature Requests) 
        
         * a: <http: 
         //ycombinator.com>  (Y Combinator) 
        
         * a: <http: 
         //ycombinator.com/w2010.html>  (Apply) 
        
         * a: <http: 
         //ycombinator.com/lib.html>  (Library) 
        
         * a: <http: 
         //www.webmynd.com/html/hackernews.html>  () 
        
         * a: <http: 
         //mixpanel.com/?from=yc>  ()

11.设置属性的值

问题

在你解析一个Document以后可能想修改其中的某些属性值，而后再保存到磁盘或都输出到前台页面。

方法

可使用属性设置方法 Element.attr(String key, String value), 和 Elements.attr(String key, String value).

假如你须要修改一个元素的 class 属性，可使用 Element.addClass(String className) 和Element.removeClass(String className) 方法。

Elements 提供了批量操做元素属性和class的方法，好比：要为div中的每个a元素都添加一个rel="nofollow" 可使用以下方法：

 
         doc.select( 
         "div.comments a" 
         ).attr( 
         "rel" 
         ,  
         "nofollow" 
         );

　　说明

与Element中的其它方法同样，attr 方法也是返回当 Element (或在使用选择器是返回 Elements 集合)。这样可以很方便使用方法连用的书写方式。好比：

 
         doc.select( 
         "div.masthead" 
         ).attr( 
         "title" 
         ,  
         "jsoup" 
         ).addClass( 
         "round-box" 
         );

12.设置一个元素的HTML内容

问题

你须要一个元素中的HTML内容

方法

可使用Element中的HTML设置方法具体以下：

 
         Element div = doc.select( 
         "div" 
         ).first();  
         // <div></div> 
        
         div.html( 
         "<p>lorem ipsum</p>" 
         );  
         // <div><p>lorem ipsum</p></div> 
        
         div.prepend( 
         "<p>First</p>" 
         ); 
         //在div前添加html内容 
        
         div.append( 
         "<p>Last</p>" 
         ); 
         //在div以后添加html内容 
        
         // 添完后的结果: <div><p>First</p><p>lorem ipsum</p><p>Last</p></div> 
        
         Element span = doc.select( 
         "span" 
         ).first();  
         // <span>One</span> 
        
         span.wrap( 
         "<li><a href='http://example.com/'></a></li>" 
         ); 
        
         // 添完后的结果: <li><a href="http://example.com"><span>One</span></a></li>

　　说明

Element.html(String html) 这个方法将先清除元素中的HTML内容，而后用传入的HTML代替。
Element.prepend(String first) 和 Element.append(String last) 方法用于在分别在元素内部HTML的前面和后面添加HTML内容
Element.wrap(String around) 对元素包裹一个外部HTML内容。

参见

能够查看API参考文档中 Element.prependElement(String tag)和Element.appendElement(String tag) 方法来建立新的元素并做为文档的子元素插入其中。

13.设置元素的文本内容

问题

你须要修改一个HTML文档中的文本内容

方法

可使用Element的设置方法：:

 
         Element div = doc.select( 
         "div" 
         ).first();  
         // <div></div> 
        
         div.text( 
         "five > four" 
         );  
         // <div>five > four</div> 
        
         div.prepend( 
         "First " 
         ); 
        
         div.append( 
         " Last" 
         ); 
        
         // now: <div>First five > four Last</div>

　　说明

文本设置方法与 HTML setter 方法同样：

Element.text(String text) 将清除一个元素中的内部HTML内容，而后提供的文本进行代替
Element.prepend(String first) 和 Element.append(String last) 将分别在元素的内部html先后添加文本节点。

对于传入的文本若是含有像 <, > 等这样的字符，将以文本处理，而非HTML。

14.消除不受信任的HTML (来防止XSS攻击)

问题

在作网站的时候，常常会提供用户评论的功能。有些不怀好意的用户，会搞一些脚本到评论内容中，而这些脚本可能会破坏整个页面的行为，更严重的是获取一些机要信息，此时须要清理该HTML，以免跨站脚本cross-site scripting攻击（XSS）。

方法

使用jsoup HTML Cleaner 方法进行清除，但须要指定一个可配置的 Whitelist。

 
         String unsafe = 
        
         "<p><a href='http://example.com/' onclick='stealCookies()'>Link</a></p>" 
         ; 
        
         String safe = Jsoup.clean(unsafe, Whitelist.basic()); 
        
         // now: <p><a href="http://example.com/" rel="nofollow">Link</a></p>

　　说明

XSS又叫CSS (Cross Site Script) ，跨站脚本攻击。它指的是恶意攻击者往Web页面里插入恶意html代码，当用户浏览该页之时，嵌入其中Web里面的html代码会被执行，从而达到恶意攻击用户的特殊目的。XSS属于被动式的攻击，由于其被动且很差利用，因此许多人常忽略其危害性。因此咱们常常只让用户输入纯文本的内容，但这样用户体验就比较差了。

一个更好的解决方法就是使用一个富文本编辑器WYSIWYG如CKEditor 和 TinyMCE。这些能够输出HTML并可以让用户可视化编辑。虽然他们能够在客户端进行校验，可是这样还不够安全，须要在服务器端进行校验并清除有害的HTML代码，这样才能确保输入到你网站的HTML是安全的。不然，攻击者可以绕过客户端的Javascript验证，并注入不安全的HMTL直接进入您的网站。

jsoup的whitelist清理器可以在服务器端对用户输入的HTML进行过滤，只输出一些安全的标签和属性。

jsoup提供了一系列的Whitelist基本配置，可以知足大多数要求；但若有必要，也能够进行修改，不过要当心。

这个cleaner很是好用不只能够避免XSS攻击，还能够限制用户能够输入的标签范围。

参见

参阅XSS cheat sheet ，有一个例子能够了解为何不能使用正则表达式，而采用安全的whitelist parser-based清理器才是正确的选择。
参阅Cleaner ，了解如何返回一个 Document 对象，而不是字符串
参阅Whitelist，了解如何建立一个自定义的whitelist
nofollow 连接属性了解

转发请注明出处：http://www.cnblogs.com/jycboy/p/jsoupdoc.html