Jsoup 解析 HTML 完全指南：DOM 遍歷、選擇器語法、資料提取與實戰範例

Jsoup 核心功能全景解析

Jsoup 是 Java 專為真實世界 HTML 設計的解析器，支援不完整標籤修正、CSS 選擇器、DOM 操作、XSS 防護等。

1. 解析來源三種方式

// 字串解析
String html = "
Content
";
Document doc = Jsoup.parse(html);

// URL 載入 (支援連線參數鏈)
Document doc = Jsoup.connect("https://example.com")
    .userAgent("Mozilla/5.0")
    .timeout(5000)
    .get();

// 檔案載入 (指定編碼與 baseUri 處理相對連結)
File input = new File("/tmp/page.html");
Document doc = Jsoup.parse(input, "UTF-8", "https://example.com/");

2. DOM 樣式遍歷 API

Element content = doc.getElementById("content");
Elements links = content.getElementsByTag("a");
for (Element link : links) {
    String href = link.attr("href");      // 屬性
    String text = link.text();            // 文字內容
    String html = link.html();            // 內部 HTML
    String outer = link.outerHtml();      // 含自身標籤
}

常用遍歷方法

3. CSS 選擇器語法 (select) - 最強大查詢方式

// 基礎
doc.select("a[href]")           // 有 href 的 a
doc.select("img[src$=.png]")    // src 以 .png 結尾
doc.select("div.masthead")      // class=masthead 的 div

// 層級
doc.select("div.content > p")   // 直接子元素 p
doc.select("body > *")          // body 所有直接子元素
doc.select("h3.r > a")          // h3.r 直系子 a

// 偽選擇器
doc.select("td:lt(3)")          // 前 3 個 td
doc.select("div p:gt(2)")       // 第 3 個以後的 p
doc.select("form input:eq(1)")  // 第 2 個 input
doc.select("div:has(p)")        // 含 p 的 div
doc.select("div:not(.logo)")    // 排除 class=logo 的 div
doc.select("p:contains(jsoup)") // 含文字 jsoup (不分大小寫)
doc.select("div:matches(?i)login") // 文字符合正則

選擇器組合

doc.select("div.masthead, div.logo")  // 多選擇器聯集
doc.select("a[href].highlight")       // 連續條件

4. 資料提取與修改

String html = "
An Example link.
";
Document doc = Jsoup.parse(html);
Element link = doc.select("a").first();

link.attr("href");           // "https://example.com/"
link.attr("href", "new");    // 修改屬性
link.text();                 // "Example"
link.text("New Text");       // 修改文字
link.html();                 // "Example"
link.html("New");     // 修改內部 HTML
link.outerHtml();            // "..."

5. 實戰範例：列出頁面所有連結、圖片、匯入資源

package org.jsoup.examples;

import org.jsoup.Jsoup;
import org.jsoup.nodes.*;
import org.jsoup.select.Elements;
import java.io.IOException;

public class ListLinks {
    public static void main(String[] args) throws IOException {
        String url = args[0];
        System.out.printf("Fetching %s...%n", url);
        
        Document doc = Jsoup.connect(url).get();
        
        Elements links = doc.select("a[href]");
        Elements media = doc.select("[src]");
        Elements imports = doc.select("link[href]");
        
        System.out.printf("%nMedia: (%d)%n", media.size());
        for (Element src : media) {
            if (src.tagName().equals("img")) {
                System.out.printf(" * %s: <%s> %sx%s (%s)%n",
                    src.tagName(), src.attr("abs:src"),
                    src.attr("width"), src.attr("height"),
                    trim(src.attr("alt"), 20));
            } else {
                System.out.printf(" * %s: <%s>%n", src.tagName(), src.attr("abs:src"));
            }
        }
        
        System.out.printf("%nImports: (%d)%n", imports.size());
        for (Element link : imports) {
            System.out.printf(" * %s <%s> (%s)%n", 
                link.tagName(), link.attr("abs:href"), link.attr("rel"));
        }
        
        System.out.printf("%nLinks: (%d)%n", links.size());
        for (Element link : links) {
            System.out.printf(" * a: <%s> (%s)%n", 
                link.attr("abs:href"), trim(link.text(), 35));
        }
    }
    
    private static String trim(String s, int w) {
        return s.length() > w ? s.substring(0, w-1) + "." : s;
    }
}

6. 進階特性

• Base URI：doc.baseUri() 解析相對連結為絕對 (attr("abs:href"))。
• 清理器：Jsoup.clean(html, Whitelist.basic()) 防 XSS，保留安全標籤。
• 輸出格式化：doc.html() 壓縮；doc.outerHtml() 含文件宣告；OutputSettings.prettyPrint(true) 美化縮排。
• 表單操作：FormElement 自動處理表單提交、輸入欄位。

Maven 依賴

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.17.2</version>
</dependency>

常見坑與對策

1. 上一篇文章： 哲學家就餐問題：Java 多線程死鎖避免與 synchronized 實戰
2. 下一篇文章： Java 圖片驗證碼生成完整範例（JSP 實作）

Java 相關知識

OSGi：Java 模組化框架的演進邏輯與核心設計權衡

為什麼 OSGi 看起來很複雜？ 許多開發者抱怨 OSGi

JVM 類加載機制深度解析：原理、實現與自定義 ClassLoader 實戰

類加載三階段七步驟 加載：查找並導入類二進制數據 (字節碼

JavaBean 規範深度解析：屬性命名陷阱、存取器約定與導航機制完全指南

前言：看似簡單，實則暗藏玄機 JavaBean 是 Java

Java Robot 實現伺服器桌面遠端監控：Servlet + 瀏覽器即時截圖

利用 java.awt.Robot 擷取伺服器螢幕畫面，封裝