jsoup: Java HTML analizatorius

Kas yra jsoup?

jsoup yra lengva, bet galinga Java biblioteka, skirta darbui su realaus pasaulio HTML. Ji siūlo intuityvų API HTML analizei iš URL, failų ar eilučių, duomenų išgavimui ir manipuliavimui naudojant DOM navigaciją, CSS selektorius ir šiuolaikinius HTML5 metodus. Idealus tinklalapių duomenų gavimui, duomenų išgavimui ir HTML valymui, jsoup puikiai tvarko netaisyklingą žymėjimą – lygiai kaip naršyklė.

Skirtingai nuo paprastų regex sprendimų, jsoup siūlo švarų objektų modelį su jQuery įkvėptais metodais, supaprastinančiais tokias užduotis kaip formų pateikimas, atributų modifikavimas ir teksto išgavimas. Be jokių priklausomybių ir su MIT licencija, tai mėgstamiausia Java kūrėjų pasirinkimas, kai reikia patikimo HTML apdorojimo.

Pagrindiniai jsoup privalumai:

• Realaus pasaulio HTML apdorojimas: Analizuoja netvarką HTML kaip naršyklė
• jQuery stiliaus sintaksė: Įprasti CSS selektoriai (pvz., doc.select("div.content"))
• Duomenų gavimui pritaikyta: Seka peradresavimus, tvarko slapukus, pateikia formas
• Kelių platformų: Grynas Java be jokių priklausomybių
• Saugumas: Integruota XSS prevencija ir HTML valymas

Puikiai tinka duomenų gavybai, interneto automatizavimui ir turinio analizei.

GitHub Stats

Name:
Language:
Stars:
Forks:
License:
Repository was last updated at

Kodėl rinktis jsoup?

• Paprastumas: Intuityvus API su CSS selektorių palaikymu
• Patikimumas: Aktyviai palaikomas nuo 2009 m.
• Sparta: Optimizuotas srautiniam apdorojimui ir dideliems dokumentams
• Lankstumas: Veikia su fragmentais, failais ar tiesioginiais URL
• Švarus išvedimas: Gražiai formatuoja ir pertvarko HTML

Diegimas

Pridėkite jsoup per Maven arba Gradle:

    org.jsoup
    jsoup
    1.17.2

implementation 'org.jsoup:jsoup:1.17.2'

Sistemos reikalavimai: Java 8+

Kodo pavyzdžiai

Praktiniai jsoup naudojimo atvejai:

1 pavyzdys: Dokumento analizė iš eilutės

Jei turite HTML Java eilutėje ir norite jį analizuoti norėdami gauti turinį arba jį modifikuoti, jsoup gali tai padaryti vos keliais kodo eilutėmis.

Metodas parse(String html, String baseUri) paverčia įvesties HTML į naują Dokumentą. Parametras baseUri padeda išspręsti santykinius URL į absoliučius ir turėtų atitikti URL, iš kurio dokumentas buvo gautas. Jei tai nėra svarbu arba jei HTML yra <base> elementas, galite naudoti paprastesnį metodą parse(String html).

2 pavyzdys: Elementų paieška naudojant CSS selektorius

Norėdami rasti arba manipuoti elementais naudodami CSS selektorius, tiesiogiai analizuokite ir modifikuokite HTML eilutę:

3 pavyzdys: Elemento HTML modifikavimas

Jei reikia modifikuoti elemento HTML, naudokite Element HTML setter metodus, kaip parodyta šiame pavyzdyje.

Išplėstinės funkcijos

jsoup palaiko profesionalų HTML apdorojimą:

• Formų apdorojimas: POST duomenų pateikimas:

  Formos pateikimas

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

• Proxy palaikymas: Duomenų gavimas per proxy:

  Proxy konfigūracija

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

• DOM manipuliavimas: HTML struktūros modifikavimas:

  DOM pakeitimai

  
      doc.select("div.ads").remove(); // Pašalinti visus skelbimus
      doc.select("h1").attr("class", "header"); // Pridėti CSS klasę
      
  

jsoup vs HTMLUnit

Pagrindiniai skirtumai:

• Fokusas: jsoup analizuoja statinį HTML; HTMLUnit imituoja naršyklę (vykdo JavaScript)
• Greitis: jsoup greitesnis grynos HTML analizės atveju
• API stilius: jsoup naudoja CSS selektorius; HTMLUnit imituoja Selenium
• Naudojimo atvejai: jsoup tinka duomenų gavimui; HTMLUnit – dinamiškų puslapių testavimui
• Priklausomybės: jsoup neturi; HTMLUnit reikalauja papildomų bibliotekų

Išvada

jsoup yra galutinė Java kūrėjų HTML įrankių rinkinys. Idealus:

• Tinklalapių duomenų gavimui: Išgauti duomenis iš bet kurios svetainės
• Duomenų valymui: Valyti ir normalizuoti HTML
• Turinio analizei: Analizuoti RSS srautus ar interneto archyvus
• Testavimui: Tikrinti HTML struktūrą programose

Turėdamas MIT licenciją ir intuityvų API, jsoup yra geriausias pasirinkimas Java pagrindu veikiančiam HTML apdorojimui.

Similar Products