為什麼選 JSoup？

JDK 核心庫缺乏 HTML 解析器，JSoup 填補這一空白：

• 支援 DOM、CSS 選擇器、jQuery 風格 API
• 符合 WHATWG HTML5 標準，解析結果與瀏覽器一致
• 極強容錯性：自動修補未閉合標籤、隱式標籤、斷裂結構
• 內建 XSS 防護白名單，安全輸出用戶內容
• 可輸出整齊格式化 HTML

核心類別速覽

• Jsoup：靜態工廠方法 parse()、connect()
• Document：代表整份文件，繼承 Element
• Element：標籤元素，提供 select()、attr()、text() 等
• Node / TextNode：樹節點基類

三種常見解析來源

1. 解析 HTML 字串

String html = ""
            + "
HelloWorld
";

Document doc = Jsoup.parse(html);
String title = doc.title();                    // "JSoup Example"
String h1 = doc.body().select("h1").text();    // "HelloWorld"

2. 從 URL 直接抓取並解析

Document doc = Jsoup.connect("https://www.google.com/")
                    .userAgent("Mozilla/5.0")
                    .timeout(5000)
                    .get();
String title = doc.title();  // "Google"

connect() 返回 Connection，支援 Header、Cookie、Proxy、POST 表單等完整 HTTP 功能。

3. 解析本地 HTML 檔案

File input = new File("login.html");
Document doc = Jsoup.parse(input, "UTF-8", "");  // 第三參數為 baseUri，空字串即可

String title = doc.title();                     // "Login Page"
Element div = doc.getElementById("login");
String cssClass = div.className();              // "simple"
String formAction = div.select("form").attr("action"); // "login.do"

實戰範例：登入頁面表單解析

假設 login.html 結構如下：

<div id="login" class="simple">
  <form action="login.do">
    Username: <input id="username" type="text" /><br>
    Password: <input id="password" type="password" /><br>
    <input id="submit" type="submit" />
    <input id="reset" type="reset" />
  </form>
</div>

提取關鍵資訊：

Element form = doc.select("form").first();
String action = form.attr("action");           // login.do
String method = form.attr("method");           // 空則預設 GET

Elements inputs = form.select("input");
for (Element input : inputs) {
    String id = input.id();
    String type = input.attr("type");
    System.out.printf("Input: id=%s, type=%s%n", id, type);
}
// 輸出：
// Input: id=username, type=text
// Input: id=password, type=password
// Input: id=submit, type=submit
// Input: id=reset, type=reset

進階技巧

常見坑點提醒

• 編碼問題：本地檔案指定正確 charset（如 ISO-8859-1、UTF-8），URL 抓取通常自動偵測 Content-Type。
• baseUri：Jsoup.parse(html, baseUri) 影響相對連結解析，抓取網頁時自動設為目標 URL。
• 大量文件效能：JSoup 為單執行緒 DOM 解析器，超大文件（>10MB）建議改用 SAX 模式或分批處理。

結語

JSoup 以「強健、易用、功能全」成為 Java HTML 解析事實標準。無論是爬蟲抓取、內容提取、表單分析、還是用戶內容消毒，幾行代碼即可搞定。掌握 select() 選擇器與 attr()/text() 提取組合，能解決 95% 以上的 HTML 處理需求。