jsoup 框架的使用小結

Posted on by

概述

參考：

  • 官方文檔
  • jsoup的使用
  • JSoup教程
  • jsoup 在 GitHub 的開源代碼

概念簡介

jsoup 是一款基於 Java 的 HTML 解析器，它提供瞭一套非常省力的 API，不但能直接解析某個 URL 地址、HTML 文本內容，而且還能通過類似於 DOM、CSS 或者 jQuery 的方法來操作數據，所以 jsoup 也可以被當做爬蟲工具使用。

jsoup 實現 WHATWG HTML5 規范，並將 HTML 解析為與現代瀏覽器相同的 DOM。

  • 從 URL，文件或字符串中提取並解析 HTML
  • 查找和提取數據，使用 DOM 遍歷或 CSS 選擇器
  • 操縱 HTML元素，屬性和文本
  • 根據安全的白名單清理用戶提交的內容，以防止 XSS 攻擊
  • 輸出整潔的 HTML

相關概念簡介

  • Document ：文檔對象
  • 每份 HTML 頁面都是一個文檔對象，Document 是 jsoup 體系中最頂層的結構。
  • Element：元素對象。
  • 一個 Document 中可以著包含著多個 Element 對象，可以使用 Element 對象來遍歷節點提取數據或者直接操作 HTML。
  • Elements：元素對象集合，類似於List<Element>。
  • Node：節點對象。
  • 標簽名稱、屬性等都是節點對象，節點對象用來存儲數據。
  • 類繼承關系：Document 繼承自 Element ，Element 繼承自 Node。
  • 一般執行流程：先獲取 Document 對象，然後獲取 Element 對象，最後再通過 Node 對象獲取數據。

在這裡插入圖片描述

依賴

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.15.4</version>
</dependency>

jsoup 的主要類

雖然完整的類庫中有很多類，但大多數情況下，需要重點瞭解下面給出3 個類即可

org.jsoup.Jsoup 類

Jsoup 類是任何 Jsoup 程序的入口點，並將提供從各種來源加載和解析 HTML 文檔的方法。

Jsoup 類的一些重要方法如下：

// 創建並返回URL的連接。
static Connection connect(String url)

// 將指定的字符集文件解析成文檔。
static Document parse(File in, String charsetName)
// 將給定的html代碼解析成文檔。
static Document parse(String html)
// 從本地文件中加載文檔對象
static Document parse(File in, String charsetName)

// 從輸入 HTML 返回安全的 HTML，通過解析輸入 HTML 並通過允許的標簽和屬性的白名單進行過濾。
static String clean(String bodyHtml, Whitelist whitelist)

org.jsoup.nodes.Document 類

該類表示通過 Jsoup 庫加載 HTML 文檔。

可以使用此類執行適用於整個 HTML 文檔的操作。

org.jsoup.nodes.Element 類

HTML 元素是由標簽名稱，屬性和子節點組成。 使用 Element 類，可以提取數據，遍歷節點和操作 HTML。

註：繼承關系為 Document extends Element extends Node

API

Jsoup 類

Jsoup 類的一些重要方法如下：

// 創建並返回URL的連接。
static Connection connect(String url)

// 將指定的字符集文件解析成文檔。
static Document parse(File in, String charsetName)
// 將給定的html代碼解析成文檔。
static Document parse(String html)
// 從本地文件中加載文檔對象
static Document parse(File in, String charsetName)

// 從輸入 HTML 返回安全的 HTML，通過解析輸入 HTML 並通過允許的標簽和屬性的白名單進行過濾。
static String clean(String bodyHtml, Whitelist whitelist)

Connection 接口

// 將請求作為GET執行，並解析結果
Document get() throws IOException;
// 將請求作為POST執行，並解析結果。
Document post() throws IOException;
// 執行請求。獲取內容包含響應碼等
Connection.Response execute() throws IOException;
// 將請求方法設置為使用GET或POST。默認為GET
Connection method(Connection.Method method);

// 創建一個新請求，使用此Connection作為會話狀態並初始化連接設置（然後可以獨立於返回的Connection.request對象）
Connection newRequest();
// 設置要提取的請求URL。協議必須是HTTP或HTTPS
Connection url(URL url);
Connection url(String url);
// 設置頭部信息
Connection header(String name, String value);
Connection headers(Map<String, String> headers);
// 發出請求的用戶信息
Connection userAgent(String userAgent);
// 先前網頁的地址，當前請求網頁緊隨其後,即來路
Connection referrer(String referrer);
// 設置用於此請求的HTTP代理。設置為null禁用以前設置的代理。
Connection proxy(Proxy proxy);
Connection proxy(String host, int port);

// 設置總請求超時時間。如果發生超時SocketTimeoutException將被拋出。默認超時為30秒（30000ms）。零超時被視為無限超時。
	// 註意，此超時指定連接時間和讀取完整響應時間的組合最長持續時間
Connection timeout(int millis);

// 在關閉連接和截斷輸入之前，設置從（未壓縮）連接讀取到正文的最大字節數（即正文內容將被修剪）。
	// 默認最大值為2MB。最大大小為0被視為無限量（僅受機器上可用內存的限制）。
Connection maxBodySize(int bytes);

// 設置是否遵循服務器重定向的連接。默認為true
Connection followRedirects(boolean followRedirects);

// 將連接配置為在發生HTTP錯誤時不引發異常（4xx-5xx，例如404或500）。默認為false;，如果遇到錯誤，將引發IOException。
	// 如果設置為true，響應將填充錯誤正文，狀態消息將反映錯誤。
Connection ignoreHttpErrors(boolean ignoreHttpErrors);

// 分析響應時忽略文檔的Content-Type。默認為false，未識別的內容類型將引發IOException。（例如，為瞭防止試圖解析JPEG二進制圖像而產生垃圾。）設置為true可強制解析嘗試，而不管內容類型如何。
Connection ignoreContentType(boolean ignoreContentType);

// 設置自定義SSL套接字工廠
Connection sslSocketFactory(SSLSocketFactory var1);

// 添加請求數據參數。請求參數在GET的請求查詢字符串中發送，在POST的請求正文中發送。一個請求可能有多個同名值。
Connection data(String key, String value);
// 添加輸入流作為請求數據參數。
Connection data(String key, String filename, InputStream inputStream);
// 添加輸入流作為請求數據參數。對於GET，沒有影響，但對於POST，這將上載輸入流。filename為文件名，不是路徑
Connection data(String key, String filename, InputStream InputStream, String contentType);
Connection data(Collection<Connection.KeyVal> data);
Connection data(Map<String, String> data);
Connection data(String... keyvals);
// 獲取此密鑰的數據KeyVal（如果有）
Connection.KeyVal data(String var1);

// 設置要在請求中發送的cookie
Connection cookie(String name, String value);
Connection cookies(Map<String, String> cookies);
// 獲取此連接使用的cookie存儲
Connection cookieStore(CookieStore cookieStore);
// 提供自定義或預先填充的CookieStore，用於此連接發出的請求。
CookieStore cookieStore();

// 提供在分析文檔響應時使用的備用解析器
Connection parser(Parser parser);
// 設置請求的數據字符集，默認x-www-form-urlencoded
Connection postDataCharset(String charset);

// 設置連接請求
Connection request(Connection.Request var1);
// 設置POST（或PUT）請求主體
Connection requestBody(String body);
// 獲取與此連接關聯的請求對象
Connection.Request request();

// 設置連接的響應
Connection response(Connection.Response response);
// 執行請求後，獲取響應。
Connection.Response response();

Element（元素）類

org.jsoup.nodes.Element extends Node

Elements 對象提供瞭一系列類似於 DOM 的方法來查找元素，抽取並處理其中的數據。

查找元素

// 通過 id 來查找元素
public Element getElementById(String id)
// 通過標簽來查找元素
public Elements getElementsByTag(String tag)
// 通過類選擇器來查找元素
public Elements getElementsByClass(String className)
// 通過屬性名稱來查找元素，例如查找帶有 href 元素的標簽
public Elements getElementsByAttribute(String key)

// 獲取兄弟元素。如果元素沒有兄弟元素，則返回一個空列表
public Elements siblingElements()
// 獲取第一個兄弟元素
public Element firstElementSibling()
// 獲取最後一個兄弟元素
public Element lastElementSibling()
// 獲取下一個兄弟元素
public Element nextElementSibling()
// 獲取上一個兄弟元素
public Element previousElementSibling()

// 獲取此節點的父節點
public Element parent()
// 獲取此節點的所有子節點
public Elements children()
// 獲取此節點的指定子節點
public Element child(int index)
    
// 使用 CSS 選擇器查找元素
public Elements select(String cssQuery)

獲取元素數據

在獲得文檔對象並且指定查找元素後，就可以獲取元素中的數據。

註：這些訪問器方法都有相應的 setter 方法來更改數據。

// 獲取單個屬性值
public String attr(String key) 
// 獲取所有屬性值
public Attributes attributes()
// 設置屬性值
public Element attr(String key, String value)

// 獲取文本內容
public String text()
// 設置文本內容
public Element text(String value)

// 獲取元素內的 HTML 內容
public String html()
// 設置元素內的 HTML 內容
public Element html(String value)
// 獲取元素外 HTML 內容
public String outerHtml()

// 獲取數據內容（例如：script 和 style 標簽)
public String data()
// 獲得 id 值（例如：<p id="goods">衣服</p>）
public String id()

// 檢查這個元素是否含有一個類選擇器（不區分大小寫）
public boolean hasClass(String className) 
// 獲得第一個類選擇器值
public String className()
// 獲得所有的類選擇器值
public Set<String>classNames()

// 獲取元素標簽
public Tag tag()
// 獲取元素標簽名（例如：`<p>`、`<div>` 等）
public String tagName()

修改數據

在解析瞭一個 Document 對象之後，可能想修改其中的某些屬性值，並把它輸出到前臺頁面或保存到其他地方，jsoup 對此提供瞭一套非常簡便的接口（支持鏈式寫法）。

設置屬性的值

以下方法當針對 Element 對象操作時，隻有一個元素會受到影響。當針對 Elements 對象進行操作時，可能會影響到多個元素。

// 設置標簽的屬性值
public Element attr(String key, String value)
// 刪除標簽
public Element removeAttr(String key)

// 增加類選擇器選項
public Element addClass(String className)
// 刪除對應的類選擇器
public Element removeClass(String className)

代碼示例：

Document doc = Jsoup.connect("http://csdn.com").get();
// 復數，Elements
Elements elements = doc.getElementsByClass("text");
// 單數，Element
Element element = elements.first();

// 復數對象，所有 class="text" 的元素都將受到影響
elements.attr("name","goods");
// 單數對象，隻有一個元素會受到影響（鏈式寫法）
element.attr("name","shop").addClass("red");

修改元素的 HTML 內容

可以使用 Element 中的 HTML 設置方法，具體如下：

// 在末尾追加 HTML 內容
public Element append(String html)
// 在開頭追加 HTML 內容
public Element prepend(String html)
// 在匹配元素內部添加 HTML 文本。這個方法將先清除元素中的 HTML 內容，然後用傳入的 HTML 代替
public Element html(String value)
// 對元素包裹一個外部 HTML 內容，將元素置於新增的內容中間
public Element wrap(String value)

示例代碼：

Document doc = Jsoup.connect("http://csdn.com").get();
Element div = doc.select("div").first();
div.html("<p>csdn</p>");
div.prepend("<p>a</p>");
div.append("<p>good</p>");
// 輸出：<div"> <p>a</p> <p>csdn</p> <p>good</p> </div>

Element span = doc.select("span").first();
span.wrap("<li><a href='...'></a></li>");
// 輸出: <li><a href="..."> <span>csdn</span> </a></li>

修改元素的文本內容

對於傳入的文本，如果含有像 <, > 等這樣的字符，將以文本處理，而非 HTML。

// 清除元素內部的 HTML 內容，然後用提供的文本代替
public Element text(String text)
// 在元素後添加文本節點
public Element prepend(String first)
// 在元素前添加文本節點
public Element append(String last)

示例代碼：

 // <div></div>
Element div = doc.select("div").first();

div.text(" one "); 
div.prepend(" two ");
div.append(" three ");
// 輸出: <div> two one three </div>

基本使用

獲取文檔（Document）

獲得文檔對象 Document 一共有 4 種方法，分別對應不同的獲取方式。

從URL中加載文檔對象（常用）

使用 Jsoup.connect(String url).get() 方法獲取（隻支持 http 和 https 協議）：

Document doc = Jsoup.connect("http://csdn.com/").get();
String title = doc.title();
  • connect(String url) 方法創建一個新的 Connection 並通過 .get() 或者 .post() 方法獲得數據。
  • 如果從該URL獲取 HTML 時發生錯誤，便會拋出 IOException，應適當處理。

Connection 接口還提供一個方法鏈來解決特殊請求，可以在發送請求時帶上請求的頭部參數。示例代碼：

Document doc = Jsoup.connect("http://csdn.com")
  .data("query", "Java")
  .userAgent("Mozilla")
  .cookie("auth", "token")
  .timeout(8000)
  .post();

可以使用 execute() 方法獲得完整的響應對象和響應碼：

// 獲得響應對象
Connection.Response response = Jsoup.connect("http://csdn.com").execute();
// 獲取狀態碼
int code = response.statusCode();

從本地文件中加載文檔對象

可以使用靜態的 Jsoup.parse(File in, String charsetName) 方法從文件中加載文檔。其中 in 表示路徑，charsetName 表示編碼方式。示例代碼：

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8");

從字符串文本中加載文檔對象

使用靜態的 Jsoup.parse(String html) 方法可以從字符串文本中獲得文檔對象 Document 。示例代碼：

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

從 <body> 片斷中獲取文檔對象

使用 Jsoup.parseBodyFragment(String html) 方法，示例代碼：

String html = "<p>Lorem ipsum.</p>";
Document doc = Jsoup.parseBodyFragment(html);
// doc 此時為：<body> <p>Lorem ipsum.</p></body>
Element body = doc.body();
  • parseBodyFragment 方法創建一個新的文檔，並插入解析過的 HTML 到 body 元素中。
  • 雖然使用正常的 Jsoup.parse(String html) 方法，通常也能得到相同的結果，但是明確將用戶輸入作為 body 片段處理是個更好的方式。
  • Document.body() 方法能夠取得文檔 body 元素的所有子元素，與 doc.getElementsByTag(“body”) 相同。

解析文檔對象並獲取數據一共有 2 種方式，分別為 DOM方式、CSS 選擇器方式，可以選擇一種自己喜歡的方式去獲取數據，效果一樣。

DOM 方式

將 HTML 解析成一個 Document 之後，就可以使用類似於 DOM 的方法進行操作。

常用方法詳見 Element（元素）類 API

示例代碼：

// 獲取 csdn 首頁所有的鏈接
Document doc = Jsoup.connect("http://csdn.com").get();

Elements elements  = doc.getElementsByTag("body");
Elements contents  = elements.first().getElementsByTag("a");

for (Element content : contents) {
    String linkHref = content.attr("href");
    String linkText = content.text();
}

CSS 選擇器方式

可以使用類似於 CSS 選擇器的語法來查找和操作元素，常用的方法為 select(String cssQuery)

示例代碼：

Document doc = Jsoup.connect("http://csdn.com").get();
// 獲取帶有 href 屬性的 a 元素
Elements elements = doc.select("a[href]");

for (Element content : elements) {
    String linkHref = content.attr("href");
    String linkText = content.text();
}
  • select() 方法在 Document、Element 或 Elements 對象中都可以使用，而且是上下文相關的，因此可實現指定元素的過濾，或者采用鏈式訪問。
  • select() 方法將返回一個 Elements 集合，並提供一組方法來抽取和處理結果。

select(String cssQuery) 方法參數簡介

  • tagname ：通過標簽查找元素，例如通過 “a” 來查找 <a> 標簽。
  • #id ：通過 ID 查找元素，比如通過 #logo 查找 <p id="logo">
  • .class ：通過 class 名稱查找元素，比如通過 .titile 查找 <p class="titile">
  • ns|tag ：通過標簽在命名空間查找元素，比如使用 fb|name 來查找 <fb:name>
  • [attribute] ：利用屬性查找元素，比如通過 [href]查找 <a href="...">
  • [^attribute] ：利用屬性名前綴來查找元素，比如：可以用 [^data-] 來查找帶有 HTML5 dataset 屬性的元素
  • [attribute=value] ：利用屬性值來查找元素，比如：[width=500]
  • [attribute^=value], [attribute$=value], [attribute*=value] ：利用匹配屬性值開頭、結尾或包含屬性值來查找元素，比如通過 [href*=/path/] 來查找 <a href="a/path/c.html">
  • [attribute~=regex] ：利用屬性值匹配正則表達式來查找元素
  • 比如通過 img[src~=(?i)\.(png|jpe?g)] 來匹配所有的png 或者 jpg、jpeg 格式的圖片
  • * ：通配符，匹配所有元素

參數屬性組合使用

  • el#id ：元素 + ID，比如：div#logo
  • el.class ：元素 + class，比如：div.masthead
  • el[attr] ：元素 + class，比如：a[href]匹配所有帶有 href 屬性的 a 元素
  • 任意組合，比如：a[href].highlight 匹配所有帶有 href 屬性且 class=“highlight” 的 a 元素。
  • ancestor child ：查找某個元素下子元素
  • 比如：可以用 .body p 查找在 “body” 元素下的所有 p 元素
  • parent > child ：查找某個父元素下的直接子元素
  • 比如：可以用 div.content > p 查找 p 元素，也可以用 body > * 查找 body 標簽下所有直接子元素
  • siblingA + siblingB ：查找在 A 元素之前第一個同級元素 B，比如：div.head + div
  • siblingA ~ siblingX ：查找 A 元素之前的同級 X 元素，比如：h1 ~ p
  • el, el, el ：多個選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo

特殊參數：偽選擇器

  • :lt(n) ：查找哪些元素的同級索引值（它的位置在 DOM 樹中是相對於它的父節點）小於 n
  • 比如：td:lt(3) 表示小於三列的元素
  • :gt(n) ：查找哪些元素的同級索引值大於 n，比如： div p:gt(2) 表示哪些 div 中有包含 2 個以上的 p 元素
  • :eq(n) ：查找哪些元素的同級索引值與 n 相等，比如：form input:eq(1) 表示包含一個 input 標簽的 Form元素
  • :has(seletor) ：查找匹配選擇器包含元素的元素，比如：div:has(p) 表示哪些 div 包含瞭 p 元素
  • :not(selector) ：查找與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
  • :contains(text) ：查找包含給定文本的元素，搜索不區分大不寫，比如： p:contains(jsoup)
  • :containsOwn(text) ：查找直接包含給定文本的元素（不包含任何它的後代）
  • :matches(regex) ：查找哪些元素的文本匹配指定的正則表達式，比如：div:matches((?i)login)
  • :matchesOwn(regex) ：查找直接包含文本匹配指定正則表達式的元素（不包含任何它的後代）

註意：上述偽選擇器索引是從 0 開始的，即第一個元素索引值為 0，第二個元素 index 為 1 等

其他功能

一些常用數據的獲取

從 HTML 獲取標題

Document document = Jsoup.parse( new File("C:/Users/xyz/Desktop/yiibai-index.html"), "utf-8");
System.out.println(document.title());

獲取 HTML 頁面的 Fav 圖標

假設 favicon 圖像將是 HTML 文檔的 <head> 部分中的第一個圖像

String favImage = "Not Found";
try {
    Document document = Jsoup.parse(new File("C:/Users/zkpkhua/Desktop/yiibai-index.html"), "utf-8");
    Element element = document.head().select("link[href~=.*\\.(ico|png)]").first();
    if (element == null) {
        element = document.head().select("meta[itemprop=image]").first();
        if (element != null) {
            favImage = element.attr("content");
        }
    } else {
        favImage = element.attr("href");
    }
} catch (IOException e) {
    e.printStackTrace();
}
System.out.println(favImage);

獲取 HTML 頁面中的所有鏈接

try {
    Document document = Jsoup.parse(new File("C:/Users/zkpkhua/Desktop/yiibai-index.html"), "utf-8");
    Elements links = document.select("a[href]");  
    for (Element link : links) {
         System.out.println("link : " + link.attr("href"));  
         System.out.println("text : " + link.text());  
    }
} catch (IOException e) {
    e.printStackTrace();
}

獲取 HTML 頁面中的所有圖像

try {
    Document document = Jsoup.parse(new File("C:/Users/zkpkhua/Desktop/yiibai-index.html"), "utf-8");
    Elements images = document.select("img[src~=(?i)\\.(png|jpe?g|gif)]");
    for (Element image : images) {
        System.out.println("src : " + image.attr("src"));
        System.out.println("height : " + image.attr("height"));
        System.out.println("width : " + image.attr("width"));
        System.out.println("alt : " + image.attr("alt"));
    }
} catch (IOException e) {
    e.printStackTrace();
}

獲取 URL 的元信息

元信息包括 Google 等搜索引擎用來確定網頁內容的索引為目的。它們以 HTM L頁面的 HEAD 部分中的一些標簽的形式存在。

try {
    Document document = Jsoup.parse(new File("C:/Users/zkpkhua/Desktop/yiibai-index.html"), "utf-8");

    String description = document.select("meta[name=description]").get(0).attr("content");  
    System.out.println("Meta description : " + description);  

    String keywords = document.select("meta[name=keywords]").first().attr("content");  
    System.out.println("Meta keyword : " + keywords);  
} catch (IOException e) {
    e.printStackTrace();
}

在 HTML 頁面中獲取表單屬性

在網頁中獲取表單輸入元素非常簡單。 使用唯一 ID 查找 FORM 元素; 然後找到該表單中存在的所有 INPUT 元素。

Document doc = Jsoup.parse(new File("c:/temp/yiibai-index.html"),"utf-8");  
Element formElement = doc.getElementById("loginForm");  

Elements inputElements = formElement.getElementsByTag("input");  
for (Element inputElement : inputElements) {  
    String key = inputElement.attr("name");  
    String value = inputElement.attr("value");  
    System.out.println("Param name: " + key + " \nParam value: " + value);  
}

相對路徑轉絕對路徑

  • 在 HTML 元素中，URLs 經常寫成相對於文檔位置的相對路徑，如：<a href="/download">...</a>。

當使用 .attr(String key) 方法來取得 a 元素的 href 屬性時，它將直接返回在 HTML 源碼中指定的值。

  • 如果需要取得一個絕對路徑，有兩種方式：
    • 方式1：在屬性名前加 abs: 前綴，就可以返回包含根路徑的 URL 地址 attr("abs:href")
    • 方式2：使用 absUrl(String key) 方法

示例場景

問題描述：

有一個包含相對 URLs 路徑的 HTML 文檔，現在需要將這些相對路徑轉換成絕對路徑的URLs

解決方式：

  • 確保在解析文檔時有指定 base URI 路徑。
  • 然後使用 abs: 屬性前綴來取得包含 base URI 的絕對路徑。

示例代碼：

Document doc = Jsoup.connect("http://www.open-open.com").get();
Element link = doc.select("a").first();

String relHref = link.attr("href");
// 輸出：/

String absHref = link.attr("abs:href");
// 輸出：http://www.open-open.com/

消除不受信任的HTML (防止XSS攻擊)

  • 假設在應用程序中，想顯示用戶提交的 HTML 片段。

例如用戶可以在評論框中放入 HTML 內容。 這可能會導致非常嚴重的問題，如果允許直接顯示此 HTML。 用戶可以在其中放入一些惡意腳本，並將用戶重定向到另一個臟網站。

  • 為瞭清理這個 HTML，Jsoup 提供 Jsoup.clean() 方法。

此方法期望 HTML 格式的字符串，並將返回清潔的 HTML。

要執行此任務，Jsoup 使用白名單過濾器。 jsoup 白名單過濾器通過解析輸入 HTML（在安全的沙盒環境中）工作，然後遍歷解析樹，隻允許將已知安全的標簽和屬性（和值）通過清理後輸出。

它不使用正則表達式，這對於此任務是不合適的。

清潔器不僅用於避免 XSS，還限制瞭用戶可以提供的元素的范圍：可以使用文本，強元素，但不能構造 div 或表元素。

示例場景

  • 問題描述：

在某些網站中經常會提供用戶評論的功能，但是有些不懷好意的用戶，會搞一些腳本到評論內容中，而這些腳本可能會破壞整個頁面的行為，更嚴重的是獲取一些機要信息，此時需要清理該 HTML，以避免跨站腳本攻擊（XSS）。

  • 解決方式：

使用 clean() 方法清除惡意代碼，但需要指定一個配置的 Safelist（舊版本中是 Whitelist），通常使用 Safelist.basic() 即可。

Safelist 的工作原理是將輸入的 HTML 內容單獨隔離解析，然後遍歷解析樹，隻允許已知的安全標簽和屬性輸出。

示例代碼：

String unsafe = "<p><a href='http://csdn.com/' οnclick='attack()'>Link</a></p>";
        
String safe = Jsoup.clean(unsafe, Safelist.basic());
// 輸出: <p><a href="http://csdn.com/" >Link</a></p>

註：

jsoup 的 Safelist 不僅能夠在服務器端對用戶輸入的 HTML 進行過濾，隻輸出一些安全的標簽和屬性，還可以限制用戶可以輸入的標簽范圍。

jsoup 使用代理

示例代碼：

Connection.Response execute = Jsoup.connect("http://csdn.net/")
					               .proxy("12.12.12.12", 1080)	// 使用代理
					               .execute();

到此這篇關於jsoup 框架的使用小結的文章就介紹到這瞭,更多相關jsoup使用內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：