jsoup HTML解析器 v1.20.1

jsoup是一款Java的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于JQuery的操作方法来取出和操作数据。

jsoup的主要功能如下：

从一个URL，文件或字符串中解析HTML；

使用DOM或CSS选择器来查找、取出数据；

可操作HTML元素、属性、文本；

jsoup是基于MIT协议发布的，可放心使用于商业项目。

更新日志

更改

增加了对 http/2 请求的支持 Jsoup.connect()，当在 Java 11+ 上运行时，通过 Java HttpClient 实现。#2257.

在这个版本的jsoup中，默认是通过HttpUrlConnection实现来发送请求：使用 System.setProperty("jsoup.useHttpClient", "true");来改为通过HttpClient发送请求，这将启用http/2支持（如果可用）。这将在jsoup的以后版本中成为默认设置，所以现在是一个验证的好时机。

如果你在部署中重新打包jsoup jar（即创建一个遮罩 jar 或胖 jar），请确保将其指定为 Multi-Release JAR。

如果 HttpClient 在您的 JRE 中不可用，请求将继续通过 HttpURLConnection 进行 (在 http/1.1 模式下)。

将最低 Android API 级别验证从 10 更新到 21。与之前的 jsoup 版本一样，Android 开发者需要启用核心库 desugaring。最低 Java 版本仍然是 Java 8。 #2173

移除了之前已弃用的类：org.jsoup.UncheckedIOException （用java.io.UncheckedIOException替换）； 将之前已弃用的方法Element Element#forEach(Consumer) 移动到 void Element#forEach(Consumer())。#2246

已弃用方法Document#updateMetaCharsetElement(boolean)和Document#updateMetaCharsetElement()，因为该设置没有效果。当Document#charset(Charset)被调用时，文档的meta charset或XML编码指令总是会被设置。#2247

改进

当使用一个Safelist来清理HTML并保持相对链接时，isValid()方法现在会认为这些链接有效。此外，强制属性rel=nofollow只有在安全列表中配置时才会添加到外部链接。#2245

添加了 Element#selectStream(String query) 和 Element#selectStream(Evaluator) 方法，这些方法返回一个 Stream 匹配元素的列表。元素在找到时会被评估并返回，且流可以提前终止。#2092

Element 对象现在实现了 Iterable，使它们能够在增强的 for 循环中使用。

增加了从 Reader解析片段的支持 Parser#parseFragmentInput(Reader, Element, String)。#1177

重新引入 CLI 可执行文件示例，在 jsoup-examples.jar。 #1702

通过更好地平衡查询计划器中祖先评估器的成本函数，优化了选择器的性能，如#id .class（和其他类似的后代查询）提高了约4.6倍。#2254

移除了用于<isindex>标签的遗留解析规则，这些规则会自动创建一个带有标签的form元素。这不再在规范中。

添加了 Elements.selectFirst(String cssQuery) 和 Elements.expectFirst(String cssQuery)，以从 Elements 列表中选择第一个匹配的元素。 #2263

在使用XML解析器解析时，XML声明和处理指令是直接处理的，而不是通过HTML解析器的假注释处理程序。非文档类型声明的序列化不再以虚假的!。#2275

在将解析的HTML转换为XML或W3C DOM时，包含<的元素名称被规范为_，以确保有效的XML。例如，<foo<bar>变成<foo_bar>，因为XML不允许<在元素名称中，但HTML5允许。#2276

实现了当前规范的HTML5采用机构算法。这处理了错误嵌套的格式/结构元素。#2278

错误修复

如果一个元素的属性名中包含 ;，则无法转换为 W3C DOM 元素，因此后续的 XPath 查询可能会忽略该元素。现在，属性名被更完全地 标准化。#2244

为了兼容性，将文档类型名称的内部属性键恢复为“name”。#2241

在Connection中，跳过没有名字的Cookies，而不是抛出验证异常。#2242

在运行于 JDK 1.8 时，错误java.lang.NoSuchMethodError: java.nio.ByteBuffer.flip()Ljava/nio/ByteBuffer; 可能在从 URL 解析后调用Response#body()且缓冲区大小被超过时抛出。#2250

为了向后兼容，允许null InputStream 输入到Jsoup.parse(InputStream stream, ...)，通过返回一个空的Document。#2252

一个 template 标签包含一个 li 在一个打开的 li 标签内，会被解析错误，因为它没有被识别为一个 “特殊” 标签（具有额外的处理规则）。另外，将 SVG 和 MathML 命名空间标签添加到特殊标签列表中。#2258

一个 template 标签包含一个 button 在一个打开的 button 标签内，解析会不正确，因为“在按钮作用域”检查没有意识到 template 元素。修正了其他实例，包括 MathML 和 SVG 元素。#2271

一个:nth-child选择器的步长为负且没有数字，例如:nth-child(-n+2)，会被解析为一个正步长，因此不会如预期那样匹配。#1147

调用 doc.charset(charset) 在一个空的XML文档上会抛出一个 IndexOutOfBoundsException. #2266

修复了在重用嵌套时的内存泄漏StructuralEvaluator（例如，选择器祖先链如A B C）通过确保缓存重置调用传递到内部成员。#2277

对doc.clone().append(html)的并发调用不被支持。当克隆一个文档时，它的Parser没有被克隆，而是原始解析器的浅拷贝。#2281