开源 HTML 解析工具包 jsoup 1.3.1 发布

jsoup 是一款开源的 HTML 解析工具包，采用 Java 语言编写，通过精巧的 API 充分利用 DOM、CSS 和类 jquery 的方法抽取和操作数据。最近，jsoup 1.3.1 正式发布，对上一版（1.2.3）做了重要更新，包括完成自主实现（无外部依赖）、改进 Web 连接方法等。

随着 Web 应用的不断发展，开发人员有时需要通过 HTML 解析功能实现客户需求。读者朋友可能对老牌 HTML Parser Java 库比较熟悉。其实，jsoup 也是为了方便开发人员实现 HTML 解析而刚刚诞生（2010 年初发起）的一款工具包。jsoup 的主要功能包括：

• 解析，通过 URL、文件或者字符串来分析 HTML 文档。
• 查找，通过 DOM 遍历或者 CSS 选择器来寻找和抽取数据。
• 操作，处理 HTML 元素、属性和文本。
• 检查，通过白名单机制来保护 HTML 内容的安全。

jsoup 1.3.1 的主要更新包括：

• 完成了自主实现，在之前的版本中，jsoup 依赖于 Apache Commons-Lang 的一些方法，如 HTML 内容解析等。在新版中，这些方法完全自主实现，不再需要外部依赖。一方面减少 JVM 的内存消耗，另一方面有助于开发人员入门。
• 改进 Web 连接方法，jsoup 现在支持一种方便的 connection 接口，即 Jsoup.connect(String url)。这种方法允许开发人员快捷地创建 HTTP 请求，包括指定用户代理、cookie、超时等等。方法的返回值可以直接被解析成 Document。示例代码如下：

Document doc = Jsoup.connect(“ http://example.com ”)
.data(“query”, “Java”)
.userAgent(“Mozilla”)
.cookie(“auth”, “token”)
.timeout(3000)
.post();

• 增加了一些便捷方法，如 Element.ownText()、Document.OutputSettings.prettyPrint(boolean) 等。
• 改进了文档解析的性能。
• 修补了一些 Bug。

感兴趣的读者朋友可以下载 jsoup 试用，查看其使用手册和文档说明。jsoup 采用 MIT 协议开源，目前在 GitHub 上进行开发和维护，喜欢深究的朋友可以在此查看源代码。