code4craft/jsoup-learning

Jsoup学习笔记

Jsoup是Java世界的一款HTML解析工具，它支持用CSS Selector方式选择DOM元素，也可过滤HTML文本，防止XSS攻击。

学习Jsoup是为了更好的开发我的另一个爬虫框架webmagic，为了学的比较详细，就强制自己用很规范的方式写出这部分文章。

代码部分来自https://github.com/jhy/jsoup，添加了一些中文注释以及示例代码。

提纲

1. 概述

2. DOM相关对象

3. Document的输出

4. HTML语法分析parser

   1. 语法分析与状态机基础
   2. 词法分析Tokenizer
   3. 语法检查及DOM树构建

5. CSS Selector

6. 防御XSS攻击

7. 为Jsoup增加XPath选择功能

   Jsoup默认没有XPath功能，我写了一个项目Xsoup，可以使用XPath来选择HTML文本。Java里较常用的XPath抽取器是HtmlCleaner，Xsoup的性能比它快了一倍。

协议：

相关代码遵循MIT协议。

文档遵循CC-BYNC协议。