Jsoup是Java世界的一款HTML解析工具,它支持用CSS Selector方式选择DOM元素,也可过滤HTML文本,防止XSS攻击。

学习Jsoup是为了更好的开发我的另一个爬虫框架webmagic,为了学的比较详细,就强制自己用很规范的方式写出这部分文章。

代码部分来自https://github.com/jhy/jsoup,添加了一些中文注释以及示例代码。

1. 概述

2. DOM相关对象

3. Document的输出

4. HTML语法分析parser

   1. 语法分析与状态机基础
   2. 词法分析Tokenizer
   3. 语法检查及DOM树构建

5. CSS Selector

6. 防御XSS攻击

7. 为Jsoup增加XPath选择功能

   Jsoup默认没有XPath功能,我写了一个项目Xsoup,可以使用XPath来选择HTML文本。Java里较常用的XPath抽取器是HtmlCleaner,Xsoup的性能比它快了一倍。

相关代码遵循MIT协议。

文档遵循CC-BYNC协议。

Bitdeli Badge