jsoup: Java HTML parser

Co je jsoup?

jsoup je lehká, ale výkonná Java knihovna určená pro práci s reálným HTML. Poskytuje jednoduché API pro parsování HTML z URL, souborů nebo řetězců, extrakci a manipulaci dat pomocí procházení DOM, CSS selektorů a moderních HTML5 metod. Ideální pro web scraping, extrakci dat a čištění HTML, jsoup zvládá chybně formátované značky stejně jako prohlížeč.

Na rozdíl od přístupů s regulárními výrazy nabízí jsoup čistý objektový model s metodami inspirovanými jQuery, což zjednodušuje úkoly jako odesílání formulářů, úpravy atributů a extrakci textu. Bez závislostí a s licencí MIT je oblíbenou volbou pro Java vývojáře potřebující spolehlivé zpracování HTML.

Klíčové výhody jsoup:

• Práce s reálným HTML: Parsuje neuspořádané HTML jako prohlížeč
• Syntaxe podobná jQuery: Známé CSS selektory (např. doc.select("div.content"))
• Vhodné pro scraping: Sleduje přesměrování, pracuje s cookies a odesílá formuláře
• Multiplatformní: Čistá Java bez nativních závislostí
• Bezpečnost: Vestavěná ochrana proti XSS a čištění HTML

Perfektní pro dolování dat, automatizaci webu a analýzu obsahu.

Statistiky GitHubu

Název:
Jazyk:
hvězdy:
Vidlice:
Licence:
Úložiště bylo naposledy aktualizováno v

Proč zvolit jsoup?

• Jednoduchost: Intuitivní API s podporou CSS selektorů
• Spolehlivost: Aktivně vyvíjeno od roku 2009
• Výkon: Optimalizováno pro streamování a velké dokumenty
• Flexibilita: Pracuje s fragmenty, soubory nebo živými URL
• Čistý výstup: Formátuje a upravuje HTML

Instalace

Přidejte jsoup přes Maven nebo Gradle:

    org.jsoup
    jsoup
    1.17.2

implementation 'org.jsoup:jsoup:1.17.2'

Systémové požadavky: Java 8+

Příklady kódu

Praktické příklady použití jsoup:

Příklad 1: Parsování dokumentu z řetězce

Pokud máte HTML v Java řetězci a chcete jej analyzovat pro získání obsahu nebo úpravy, jsoup to zvládne v několika řádcích kódu.

Metoda parse(String html, String baseUri) převádí vstupní HTML na nový Document. Parametr baseUri pomáhá převádět relativní URL na absolutní a měl by odpovídat URL, ze kterého byl dokument získán. Pokud to není relevantní nebo pokud HTML obsahuje prvek <base>, můžete použít jednodušší metodu parse(String html).

Příklad 2: Použití CSS selektorů k nalezení prvků

Chcete najít nebo manipulovat s prvky pomocí CSS selektorů. Analyzujte a upravte HTML řetězec přímo:

Příklad 3: Úprava HTML prvku

Potřebujete upravit HTML prvku. Použijte metody pro nastavení HTML v Element, jak je ukázáno v následujícím příkladu:

Pokročilé funkce

jsoup podporuje profesionální zpracování HTML:

• Práce s formuláři: Odeslání POST dat:

  Odeslání formuláře

  
      Connection.Response res = Jsoup.connect("https://example.com/login")
          .data("username", "user", "password", "pass")
          .method(Connection.Method.POST)
          .execute();
      Document dashboard = res.parse();
      
  

• Podpora proxy: Scraping přes proxy:

  Nastavení proxy

  
      Document doc = Jsoup.connect("https://target.com")
          .proxy("127.0.0.1", 8080)
          .get();
      
  

• Manipulace DOM: Úprava struktury HTML:

  Změny DOM

  
      doc.select("div.ads").remove(); // Odstraní všechny reklamy
      doc.select("h1").attr("class", "header"); // Přidá CSS třídu
      
  

jsoup vs. HTMLUnit

Klíčové rozdíly:

• Zaměření: jsoup parsuje statické HTML; HTMLUnit simuluje prohlížeče (spouští JavaScript)
• Rychlost: jsoup je rychlejší pro čisté parsování HTML
• Styl API: jsoup používá CSS selektory; HTMLUnit napodobuje Selenium
• Případy použití: jsoup pro scraping; HTMLUnit pro testování dynamických stránek
• Závislosti: jsoup nemá žádné; HTMLUnit vyžaduje další knihovny

Závěr

jsoup je ultimátní nástroj pro Java vývojáře pracující s HTML. Ideální pro:

• Web scraping: Extrakci dat z jakéhokoliv webu
• Čištění dat: Sanitaci a normalizaci HTML
• Analýzu obsahu: Parsování RSS feedů nebo webových archivů
• Testování: Ověřování struktury HTML v aplikacích

S licencí MIT a intuitivním API je jsoup nejlepší volbou pro zpracování HTML v Javě.

Podobné Produkty