1. 产品
  2.   编辑
  3.   Java
  4.   jsoup
 
  

jsoup：Java HTML解析器

用类似jQuery的简洁语法在Java中抓取、清理和操作HTML

什么是jsoup？

jsoup是一款轻量级但功能强大的Java库，专为处理真实HTML而设计。它提供流畅的API，可以从URL、文件或字符串解析HTML，使用DOM遍历、CSS选择器和现代HTML5方法提取和操作数据。非常适合网页抓取、数据提取和HTML净化，jsoup能像浏览器一样优雅处理不规范标记。

与原始正则表达式方法不同，jsoup提供简洁的对象模型和jQuery风格的方法，简化表单提交、属性修改和文本提取等任务。无依赖且采用MIT许可，是Java开发者处理HTML的首选工具。

jsoup核心优势：

  • 真实HTML处理：像浏览器一样解析混乱的HTML
  • jQuery式语法：熟悉的CSS选择器（如doc.select("div.content")）
  • 抓取友好：自动处理重定向、Cookies和表单提交
  • 跨平台：纯Java实现，无原生依赖
  • 安全性：内置XSS防护和HTML净化

完美适用于数据挖掘、网页自动化和内容分析。

GitHub

GitHub 统计

姓名：
语言：
星星：
叉子：
执照：
存储库上次更新于

为什么选择jsoup？

  • 简单易用：直观API支持CSS选择器
  • 稳定可靠：自2009年持续维护
  • 高效性能：针对流式和大文档优化
  • 灵活适配：支持片段、文件或实时URL
  • 整洁输出：美观排版和重新格式化HTML

安装指南

通过Maven或Gradle添加jsoup：

Maven



    org.jsoup
    jsoup
    1.17.2

Gradle


implementation 'org.jsoup:jsoup:1.17.2'

系统要求： Java 8+

代码示例

jsoup实际应用场景：

使用jsoup解析HTML

示例1：从字符串解析文档

当Java字符串包含HTML时，用几行代码即可解析内容或进行修改：

parse(String html, String baseUri)方法将输入HTML转为新文档。baseUri参数用于解析相对URL为绝对地址，应与文档来源URL一致。若不相关或HTML包含<base>元素，可用简化版parse(String html)方法。

示例2：使用CSS选择器查找元素

用CSS选择器直接查找和操作HTML元素：

示例3：修改元素HTML

修改元素HTML内容（示例代码展示Element的HTML设置方法）：

高级功能

jsoup专业级HTML处理能力：

  • 表单处理：提交POST数据：

    表单提交

    
    Connection.Response res = Jsoup.connect("https://example.com/login")
        .data("username", "user", "password", "pass")
        .method(Connection.Method.POST)
        .execute();
    Document dashboard = res.parse();
  • 代理支持：通过代理抓取：

    代理配置

    
    Document doc = Jsoup.connect("https://target.com")
        .proxy("127.0.0.1", 8080)
        .get();
  • DOM操作：修改HTML结构：

    DOM修改

    
    doc.select("div.ads").remove(); // 移除所有广告
    doc.select("h1").attr("class", "header"); // 添加CSS类

jsoup对比HTMLUnit

核心差异：

  • 定位：jsoup解析静态HTML；HTMLUnit模拟浏览器（执行JavaScript）
  • 速度：jsoup纯HTML解析更快
  • API风格：jsoup用CSS选择器；HTMLUnit模仿Selenium
  • 适用场景：jsoup适合抓取；HTMLUnit适合动态页面测试
  • 依赖：jsoup零依赖；HTMLUnit需额外库

总结

jsoup是Java开发者的终极HTML工具包，特别适用于：

  • 网页抓取：从任意网站提取数据
  • 数据清洗：净化和标准化HTML
  • 内容分析：解析RSS订阅或网页存档
  • 测试验证：检查应用中的HTML结构

凭借MIT许可和直观API，jsoup是Java处理HTML的最佳选择。

类似产品

 中国人