jsoup: A Java HTML elemző

Mi az jsoup?

A jsoup egy könnyű, de hatékony Java könyvtár, amely valós HTML-feldolgozásra készült. Egyszerű API-t kínál HTML elemzéshez URL-ekből, fájlokból vagy stringekből, adatok kinyeréséhez és manipulálásához DOM bejárás, CSS szelektorok és modern HTML5 módszerek segítségével. Ideális web scrapinghez, adatkinyeréshez és HTML tisztításhoz, a jsoup elegánsan kezeli a hibásan formázott markupot - pont mint egy böngésző.

A regex megközelítésekkel ellentétben a jsoup tiszta objektummodellt kínál jQuery ihlette metódusokkal, leegyszerűsítve olyan feladatokat, mint űrlapküldés, attribútum módosítás és szövegkinyerés. Függőségek nélkül és MIT licenszel, a Java fejlesztők kedvence, akik megbízható HTML-feldolgozásra van szükségük.

A jsoup fő előnyei:

• Valós HTML kezelés: Rendetlen HTML-t elemzi, mint a böngészők
• jQuery-szerű szintaxis: Ismerős CSS szelektorok (pl. doc.select("div.content"))
• Scraping-barát: Követi az átirányításokat, kezeli a sütiket és küld űrlapokat
• Platformfüggetlen: Tiszta Java, natív függőségek nélkül
• Biztonság: Beépített XSS védelem és HTML tisztítás

Tökéletes adatbányászatra, web automatizálásra és tartalomelemzésre.

GitHub statisztika

Név:
Nyelv:
Csillagok:
Villák:
Engedély:
Az adattár legutóbbi frissítése:

Miért válasszuk a jsoup-ot?

• Egyszerűség: Intuitív API CSS szelektor támogatással
• Megbízhatóság: Aktívan karbantartott 2009 óta
• Teljesítmény: Optimalizált streamingre és nagy dokumentumokra
• Rugalmasság: Működik töredékekkel, fájlokkal vagy élő URL-ekkel
• Tiszta kimenet: Szépen formázza és újraformázza a HTML-t

Telepítés

A jsoup hozzáadása Maven vagy Gradle segítségével:

    org.jsoup
    jsoup
    1.17.2

implementation 'org.jsoup:jsoup:1.17.2'

Rendszerkövetelmények: Java 8+

Kódpéldák

Gyakorlati jsoup használati példák:

1. példa: Dokumentum elemzése stringből

Ha HTML tartalommal rendelkezik egy Java stringben, és elemezni szeretné a tartalmát vagy módosítani azt, a jsoup mindezt néhány kódsorral megoldja.

A parse(String html, String baseUri) metódus a bemeneti HTML-t új Documenttá alakítja. A baseUri paraméter segít a relatív URL-ek abszolút URL-ekké alakításában, és meg kell egyeznie annak az URL-nek, ahonnan a dokumentum származik. Ha ez nem releváns, vagy ha a HTML <base> elemet tartalmaz, használhatja az egyszerűbb parse(String html) metódust.

2. példa: Elemek keresése CSS szelektorokkal

Elemek kereséséhez vagy manipulálásához CSS szelektorok használatával. Elemezze és manipulálja közvetlenül a HTML stringet:

3. példa: Elem HTML-jének módosítása

Egy elem HTML-jét kell módosítania. Használja az Element HTML setter metódusait az alábbi példakód szerint:

Haladó funkciók

A jsoup támogatja a professzionális HTML-feldolgozást:

• Űrlapkezelés: POST adatok küldése:

  Űrlapküldés

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

• Proxy támogatás: Scrapelés proxyn keresztül:

  Proxy beállítás

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

• DOM manipuláció: HTML struktúra módosítása:

  DOM változtatások

  
      doc.select("div.ads").remove(); // Eltávolítja a reklámokat
      doc.select("h1").attr("class", "header"); // CSS osztály hozzáadása
      
  

jsoup vs. HTMLUnit

Főbb különbségek:

• Fókusz: A jsoup statikus HTML-t elemzi; a HTMLUnit böngészőket szimulál (JavaScript végrehajtás)
• Sebesség: A jsoup gyorsabb tiszta HTML elemzéshez
• API stílus: A jsoup CSS szelektorokat használ; a HTMLUnit a Seleniumot utánozza
• Használati esetek: jsoup scrapinghez; HTMLUnit dinamikus oldalak teszteléséhez
• Függőségek: A jsoupnak nincsenek; a HTMLUnit további könyvtárakat igényel

Összegzés

A jsoup a végső HTML eszközkészlet Java fejlesztőknek. Ideális:

• Web scraping: Adatkinyerés bármely weboldalról
• Adattisztítás: HTML fertőtlenítés és normalizálás
• Tartalomelemzés: RSS feedek vagy web archívumok elemzése
• Tesztelés: HTML struktúra ellenőrzése alkalmazásokban

MIT licenszel és intuitív API-val, a jsoup a legjobb választás HTML-feldolgozáshoz Javaban.

Hasonló Termékek