Jsoup Java 教程：HTML 解析完全指南

1. 什么是 Jsoup？为什么需要它？

Jsoup 是一个功能强大且易于使用的 Java 开源库，专门用于解析、提取和操作 HTML 文档。它为开发者提供了简洁直观的 API，让你像在浏览器中操作 DOM 树一样轻松处理 HTML。如果你曾经为了从网页中提取数据而编写正则表达式，就会知道那种方案是多么脆弱且难以维护。Jsoup 通过提供可靠而灵活的工具，完美解决了这个问题。

Jsoup 的核心功能是 HTML 解析。它可以接收字符串、URL 或文件作为输入，并将其转换为文档对象模型（DOM）。之后，你可以使用 CSS 选择器（类似 jQuery）或 DOM 树遍历来查找和提取特定元素、它们的属性以及文本内容。此外，Jsoup 还能清理 HTML 中的潜在危险元素（例如 XSS 攻击），并支持文档修改：添加、删除或更改标签及其内容。

为什么需要它？Jsoup 的应用场景非常广泛：从编写简单的数据采集爬虫和价格监控，到构建复杂的内容分析系统、Web 应用测试以及与 CMS 集成。Jsoup 是 Java 世界中处理 HTML 的事实标准，对于任何涉及 Web 技术的 Java 开发者来说，掌握它都是必备技能。

2. Jsoup 安装方法

Jsoup 以 JAR 文件形式分发，但最简便的方式是通过构建工具引入。以下是 Maven 和 Gradle 的配置命令。

Maven (pom.xml)

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

Gradle (build.gradle)

implementation 'org.jsoup:jsoup:1.17.2'

如果你不使用构建工具，可以从官方网站下载 JAR 文件，并将其添加到项目的 classpath 中。

3. 快速上手：最小化工作示例

让我们编写一个最简单的程序，加载 Google 首页并输出其标题。

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

public class QuickStart {
    public static void main(String[] args) throws Exception {
        // 1. 通过 URL 加载 HTML 文档
        Document doc = Jsoup.connect("https://www.google.com").get();

        // 2. 提取页面标题（<title> 标签的内容）
        String title = doc.title();

        // 3. 输出结果
        System.out.println("页面标题: " + title);
    }
}

这段代码向指定 URL 发送 HTTP GET 请求，解析返回的 HTML，并返回一个 Document 对象。方法 title() 是获取 <title> 标签内容的便捷方式。输出结果类似于：页面标题: Google。