jsoup是一款Java的HTML解析器，可直接解析某個(gè)URL地址、HTML文本內(nèi)容。它提供了一套非常省力的API，可通過(guò)DOM，CSS以及類似于JQuery的操作方法來(lái)取出和操作數(shù)據(jù)。

jsoup的主要功能如下：

從一個(gè)URL，文件或字符串中解析HTML；

使用DOM或CSS選擇器來(lái)查找、取出數(shù)據(jù)；

可操作HTML元素、屬性、文本；

jsoup是基于MIT協(xié)議發(fā)布的，可放心使用于商業(yè)項(xiàng)目。

更新日志

更改

增加了對(duì) http/2 請(qǐng)求的支持 Jsoup.connect()，當(dāng)在 Java 11+ 上運(yùn)行時(shí)，通過(guò) Java HttpClient 實(shí)現(xiàn)。#2257.

在這個(gè)版本的jsoup中，默認(rèn)是通過(guò)HttpUrlConnection實(shí)現(xiàn)來(lái)發(fā)送請(qǐng)求：使用 System.setProperty("jsoup.useHttpClient", "true");來(lái)改為通過(guò)HttpClient發(fā)送請(qǐng)求，這將啟用http/2支持（如果可用）。這將在jsoup的以后版本中成為默認(rèn)設(shè)置，所以現(xiàn)在是一個(gè)驗(yàn)證的好時(shí)機(jī)。

如果你在部署中重新打包jsoup jar（即創(chuàng)建一個(gè)遮罩 jar 或胖 jar），請(qǐng)確保將其指定為 Multi-Release JAR。

如果 HttpClient 在您的 JRE 中不可用，請(qǐng)求將繼續(xù)通過(guò) HttpURLConnection 進(jìn)行 (在 http/1.1 模式下)。

將最低 Android API 級(jí)別驗(yàn)證從 10 更新到 21。與之前的 jsoup 版本一樣，Android 開發(fā)者需要啟用核心庫(kù) desugaring。最低 Java 版本仍然是 Java 8。 #2173

移除了之前已棄用的類：org.jsoup.UncheckedIOException （用java.io.UncheckedIOException替換）； 將之前已棄用的方法Element Element#forEach(Consumer) 移動(dòng)到 void Element#forEach(Consumer())。#2246

已棄用方法Document#updateMetaCharsetElement(boolean)和Document#updateMetaCharsetElement()，因?yàn)樵撛O(shè)置沒(méi)有效果。當(dāng)Document#charset(Charset)被調(diào)用時(shí)，文檔的meta charset或XML編碼指令總是會(huì)被設(shè)置。#2247

改進(jìn)

當(dāng)使用一個(gè)Safelist來(lái)清理HTML并保持相對(duì)鏈接時(shí)，isValid()方法現(xiàn)在會(huì)認(rèn)為這些鏈接有效。此外，強(qiáng)制屬性rel=nofollow只有在安全列表中配置時(shí)才會(huì)添加到外部鏈接。#2245

添加了 Element#selectStream(String query) 和 Element#selectStream(Evaluator) 方法，這些方法返回一個(gè) Stream 匹配元素的列表。元素在找到時(shí)會(huì)被評(píng)估并返回，且流可以提前終止。#2092

Element 對(duì)象現(xiàn)在實(shí)現(xiàn)了 Iterable，使它們能夠在增強(qiáng)的 for 循環(huán)中使用。

增加了從 Reader解析片段的支持 Parser#parseFragmentInput(Reader, Element, String)。#1177

重新引入 CLI 可執(zhí)行文件示例，在 jsoup-examples.jar。 #1702

通過(guò)更好地平衡查詢計(jì)劃器中祖先評(píng)估器的成本函數(shù)，優(yōu)化了選擇器的性能，如#id .class（和其他類似的后代查詢）提高了約4.6倍。#2254

移除了用于<isindex>標(biāo)簽的遺留解析規(guī)則，這些規(guī)則會(huì)自動(dòng)創(chuàng)建一個(gè)帶有標(biāo)簽的form元素。這不再在規(guī)范中。

添加了 Elements.selectFirst(String cssQuery) 和 Elements.expectFirst(String cssQuery)，以從 Elements 列表中選擇第一個(gè)匹配的元素。 #2263

在使用XML解析器解析時(shí)，XML聲明和處理指令是直接處理的，而不是通過(guò)HTML解析器的假注釋處理程序。非文檔類型聲明的序列化不再以虛假的!。#2275

在將解析的HTML轉(zhuǎn)換為XML或W3C DOM時(shí)，包含<的元素名稱被規(guī)范為_，以確保有效的XML。例如，<foo<bar>變成<foo_bar>，因?yàn)閄ML不允許<在元素名稱中，但HTML5允許。#2276

實(shí)現(xiàn)了當(dāng)前規(guī)范的HTML5采用機(jī)構(gòu)算法。這處理了錯(cuò)誤嵌套的格式/結(jié)構(gòu)元素。#2278

錯(cuò)誤修復(fù)

如果一個(gè)元素的屬性名中包含 ;，則無(wú)法轉(zhuǎn)換為 W3C DOM 元素，因此后續(xù)的 XPath 查詢可能會(huì)忽略該元素?，F(xiàn)在，屬性名被更完全地 標(biāo)準(zhǔn)化。#2244

為了兼容性，將文檔類型名稱的內(nèi)部屬性鍵恢復(fù)為“name”。#2241

在Connection中，跳過(guò)沒(méi)有名字的Cookies，而不是拋出驗(yàn)證異常。#2242

在運(yùn)行于 JDK 1.8 時(shí)，錯(cuò)誤java.lang.NoSuchMethodError: java.nio.ByteBuffer.flip()Ljava/nio/ByteBuffer; 可能在從 URL 解析后調(diào)用Response#body()且緩沖區(qū)大小被超過(guò)時(shí)拋出。#2250

為了向后兼容，允許null InputStream 輸入到Jsoup.parse(InputStream stream, ...)，通過(guò)返回一個(gè)空的Document。#2252

一個(gè) template 標(biāo)簽包含一個(gè) li 在一個(gè)打開的 li 標(biāo)簽內(nèi)，會(huì)被解析錯(cuò)誤，因?yàn)樗鼪](méi)有被識(shí)別為一個(gè) “特殊” 標(biāo)簽（具有額外的處理規(guī)則）。另外，將 SVG 和 MathML 命名空間標(biāo)簽添加到特殊標(biāo)簽列表中。#2258

一個(gè) template 標(biāo)簽包含一個(gè) button 在一個(gè)打開的 button 標(biāo)簽內(nèi)，解析會(huì)不正確，因?yàn)?ldquo;在按鈕作用域”檢查沒(méi)有意識(shí)到 template 元素。修正了其他實(shí)例，包括 MathML 和 SVG 元素。#2271

一個(gè):nth-child選擇器的步長(zhǎng)為負(fù)且沒(méi)有數(shù)字，例如:nth-child(-n+2)，會(huì)被解析為一個(gè)正步長(zhǎng)，因此不會(huì)如預(yù)期那樣匹配。#1147

調(diào)用 doc.charset(charset) 在一個(gè)空的XML文檔上會(huì)拋出一個(gè) IndexOutOfBoundsException. #2266

修復(fù)了在重用嵌套時(shí)的內(nèi)存泄漏StructuralEvaluator（例如，選擇器祖先鏈如A B C）通過(guò)確保緩存重置調(diào)用傳遞到內(nèi)部成員。#2277

對(duì)doc.clone().append(html)的并發(fā)調(diào)用不被支持。當(dāng)克隆一個(gè)文檔時(shí)，它的Parser沒(méi)有被克隆，而是原始解析器的淺拷貝。#2281