一、作用

• (1) 从一个url、文件或string获得html并解析
• (2) 利用dom遍历或css选择器查找、提取数据
• (3) 操作html元素
• (4) 根据白名单去除用于提交的非法数据防止xss攻击
• (5) 输出整齐的html

二、方法介绍

1、解析一个HTML字符串

 Document doc = Jsoup.parse(html);
 提供了两种：
 (1) Jsoup.parse(String html)
 (2) Jsoup.parse(String html, String baseUri)
 第二种方法能够将输入的HTML解析为一个新的文档 (Document），参数 baseUri 是用来将相对 URL 转成绝对URL，并指定从哪个网站获取文档。如这个方法不适用，你可以使用 第一种方法来解析成HTML字符串。只要解析的不是空字符串，就能返回一个结构合理的文档，其中包含(至少) 一个head和一个body元素。
 一旦拥有了一个Document，你就可以使用Document中适当的方法或它父类 Element和Node中的方法来取得相关数据。

2、解析一个body

 Document doc = Jsoup.parseBodyFragment(html);
 Element body = doc.body();
 parseBodyFragment 方法创建一个空壳的文档，并插入解析过的HTML到body元素中。假如你使用正常的 Jsoup.parse(String html) 方法，通常你也可以得到相同的结果，但是明确将用户输入作为 body片段处理，以确保用户所提供的任何糟糕的HTML都将被解析成body元素。
 Document.body() 方法能够取得文档body元素的所有子元素，与 doc.getElementsByTag("body")相同。

3、从一个URL加载一个Document

 Document doc = Jsoup.connect("http://example.com/").get();
 String title = doc.title();
 connect(String url) 方法创建一个新的 Connection, 和 get() 取得和解析一个HTML文件。如果从该URL获取HTML时发生错误，便会抛出 IOException，应适当处理。
 Connection 接口还提供一个方法链来解决特殊请求，具体如下：
 Document doc = Jsoup.connect("http://example.com")
                     .data("query", "Java")
                     .userAgent("Mozilla")
                     .cookie("auth", "token")
                     .timeout(3000)
                     .post();
 这个方法只支持Web URLs (http和https 协议); 假如你需要从一个文件加载，可以使用parse(File in, String charsetName) 代替。

4、根据一个文件加载Document对象

 Jsoup.parse(File in, String charsetName, String baseUri) 
 File input = new File("/tmp/input.html");
 Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

 parse(File in, String charsetName, String baseUri) 这个方法用来加载和解析一个HTML文件。如在加载文件的时候发生错误，将抛出IOException，应作适当处理。
 baseUri 参数用于解决文件中URLs是相对路径的问题。如果不需要可以传入一个空的字符串。
 另外还有一个方法parse(File in, String charsetName) ，它使用文件的路径做为 baseUri。 这个方法适用于如果被解析文件位于网站的本地文件系统，且相关链接也指向该文件系统。

5、使用dom方法来遍历一个Document对象

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

 Element content = doc.getElementById("content");
 Elements links = content.getElementsByTag("a");
 for (Element link : links) {
     String linkHref = link.attr("href");
     String linkText = link.text();
 }

(1)查找元素

 getElementById(String id)
 getElementsByTag(String tag)
 getElementsByClass(String className)
 getElementsByAttribute(String key) (and related methods)
 Element siblings: siblingElements(), firstElementSibling(), lastElementSibling();nextElementSibling(), previousElementSibling()
 Graph: parent(), children(), child(int index)

(2)元素数据

 attr(String key)获取属性attr(String key, String value)设置属性
 attributes()获取所有属性
 id(), className() and classNames()
 text()获取文本内容text(String value) 设置文本内容
 html()获取元素内HTMLhtml(String value)设置元素内的HTML内容
 outerHtml()获取元素外HTML内容
 data()获取数据内容（例如：script和style标签)
 tag() and tagName()

(3)操作HTML和文本

 append(String html), prepend(String html)
 appendText(String text), prependText(String text)
 appendElement(String tagName), prependElement(String tagName)
 html(String value)

6、使用选择器语法来查找元素

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

 Elements links = doc.select("a[href]"); //带有href属性的a元素
 Elements pngs = doc.select("img[src$=.png]");//扩展名为.png的图片

 Element masthead = doc.select("div.masthead").first();//class等于masthead的div标签
 Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素
 jsoup elements对象支持类似于CSS (或jquery)的选择器语法，来实现非常强大和灵活的查找功能。.
 这个select 方法在Document, Element,或Elements对象中都可以使用。且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。
 Select方法将返回一个Elements集合，并提供一组方法来抽取和处理结果。

(1)Selector选择器概述

 tagname: 通过标签查找元素，比如：a
 ns|tag: 通过标签在命名空间查找元素，比如：可以用 fb|name 语法来查找 <fb:name> 元素
 #id: 通过ID查找元素，比如：#logo
 .class: 通过class名称查找元素，比如：.masthead
 [attribute]: 利用属性查找元素，比如：[href]
 [^attr]: 利用属性名前缀来查找元素，比如：可以用[^data-] 来查找带有HTML5 Dataset属性的元素
 [attr=value]: 利用属性值来查找元素，比如：[width=500]
 [attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素，比如：[href*=/path/]
 [attr~=regex]: 利用属性值匹配正则表达式来查找元素，比如： img[src~=(?i)\.(png|jpe?g)]
 *: 这个符号将匹配所有元素

(2)Selector选择器组合使用

 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]

(3)任意组合，比如：a[href].highlight

 ancestor child: 查找某个元素下子元素，比如：可以用.body p 查找在"body"元素下的所有p元素
 parent > child: 查找某个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标签下所有直接子元素
 siblingA + siblingB: 查找在A元素之前第一个同级元素B，比如：div.head + div
 siblingA ~ siblingX: 查找A元素之前的同级X元素，比如：h1 ~ p
 el, el, el:多个选择器组合，查找匹配任一选择器的唯一元素，例如：div.masthead, div.logo

(4)伪选择器selectors

 :lt(n): 查找哪些元素的同级索引值（它的位置在DOM树中是相对于它的父节点）小于n，比如：td:lt(3) 表示小于三列的元素
 :gt(n):查找哪些元素的同级索引值大于n，比如： div p:gt(2)表示哪些div中有包含2个以上的p元素
 :eq(n): 查找哪些元素的同级索引值与n相等，比如：form input:eq(1)表示包含一个input标签的Form元素
 :has(seletor): 查找匹配选择器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
 :not(selector): 查找与选择器不匹配的元素，比如： div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
 :contains(text): 查找包含给定文本的元素，搜索不区分大不写，比如： p:contains(jsoup)
 :containsOwn(text): 查找直接包含给定文本的元素
 :matches(regex): 查找哪些元素的文本匹配指定的正则表达式，比如：div:matches((?i)login)
 :matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
 注意：上述伪选择器索引是从0开始的，也就是说第一个元素索引值为0，第二个元素index为1等

7、从元素抽取属性，文本和HTML

 *要取得一个属性的值，可以使用Node.attr(String key) 方法
 *对于一个元素中的文本，可以使用Element.text()方法
 *对于要取得元素或属性中的HTML内容，可以使用Element.html(), 或 Node.outerHtml()方法

 示例：
  String html = "<p>An <a href='http://example.com/'><b>example</b></a> link.</p>";
  Document doc = Jsoup.parse(html);//解析HTML字符串返回一个Document实现
  Element link = doc.select("a").first();//查找第一个a元素

  String text = doc.body().text(); // "An example link"//取得字符串中的文本
  String linkHref = link.attr("href"); // "http://example.com/"//取得链接地址
  String linkText = link.text(); // "example""//取得链接地址中的文本

  String linkOuterH = link.outerHtml(); // "<a href="http://example.com"><b>example</b></a>"
  String linkInnerH = link.html(); // "<b>example</b>"//取得链接内的html内容
 上述方法是元素数据访问的核心办法。此外还其它一些方法可以使用：
  Element.id()
  Element.tagName()
  Element.className() and Element.hasClass(String className)
 这些访问器方法都有相应的setter方法来更改数据.

8、URL 处理

 *在你解析文档时确保有指定base URI，然后
 *使用 abs: 属性前缀来取得包含base URI的绝对路径。代码如下： 
 Document doc = Jsoup.connect("http://www.open-open.com").get();

 Element link = doc.select("a").first();
 String relHref = link.attr("href"); // == "/"
 String absHref = link.attr("abs:href"); // "http://www.open-open.com/"
 在HTML元素中，URLs经常写成相对于文档位置的相对路径： <a href="/download">...</a>. 当你使用 Node.attr(String key) 方法来取得a元素的href属性时，它将直接返回在HTML源码中指定定的值。
 假如你需要取得一个绝对路径，需要在属性名前加 abs: 前缀。这样就可以返回包含根路径的URL地址attr("abs:href")
 因此，在解析HTML文档时，定义base URI非常重要。
 如果你不想使用abs: 前缀，还有一个方法能够实现同样的功能 Node.absUrl(String key)

更多请参考官网

　　 API
jar包