jsoup 1.18.1 现已发布,新的流解析器提供了混合 DOM + SAX 事件驱动的解析接口、请求进度跟踪和许多其他改进。jsoup 是一个用于处理 real-world HTML 的 Java 库。它使用最好的 HTML5 DOM 方法和 CSS 选择器提供了一个非常方便的 API 用于提取和操作数据。
下载地址:https://jsoup.org/download
具体更新内容包括:
改进
- Stream Parser:
StreamParser
对输入进行渐进式解析。对于 URL 请求,可通过Connection.Response.streamParser()
获得。每个Element
完成时,都会通过Stream
或Iterator
interface 输出。返回的元素将包括其所有子元素以及(空的)下一个同级元素(如果适用)。元素(或其子元素)可能会在解析过程中从 DOM 中删除,例如为了节省内存,提供一种机制来解析输入文档,否则该文档会过于庞大而无法容纳在内存中,但仍然为文档及其元素提供 DOM 接口。此外,解析器还提供了一个selectFirst(String query)
/selectNext(String query)
,它将运行解析器直到找到匹配项,此时解析将暂停。可以通过另一个select()
调用或通过stream()
或iterator()
方法恢复解析。#2096(附示例) - Download Progress:添加了一个 Response
Progress
事件接口,用于报告下载进度和 URL(并解析)。通过Connection.onResponseProgress()
设置。会话和单个连接级别均受支持。#2164、#656 - 添加了
Path
accepting parse 方法:Jsoup.parse(Path)
,Jsoup.parse(path, charsetName, baseUri, parser)
等。#2055 - 更新了
button
标签配置,在Element.text()
方法中的多个按钮元素之间加入了空格。#2105 - 在 namespace Selector 中增加了对
ns|*
all 元素的支持。#1811 - 在序列化过程中规范化属性名称时,无效字符现在将被替换为
_
, 而不是被删除。这将使处理过程更清晰,并且通常可以防止无效属性名称被意外强制转换。#2143
变化
- 删除了之前废弃的内部类和方法。#2094
- Build change:已构建 jar 的 OSGi 清单不再 imports itself。#2158
Bug 修复
- 跟踪源位置时,如果第一个节点是 TextNode,则其位置被错误设置为
-1.
#2106 - 当连接(或重定向)到路径中包含诸如
{
,}
之类的字符的 URL 时,将引发格式错误的 URL 异常(如果在开发中),或者 URL 可能无法正确转义(如果在生产中)。URL 编码过程已得到改进,可以正确处理这些字符。#2142 - 在使用带有自定义输出文档的
W3CDom
时,会引发空指针异常。 #2114 - 使用同级组合器(例如:
h1:has(+h2)
)时,:has()
选择器无法正确匹配。# 2137 - 由于错误的短路,
:empty
选择器错误地匹配了以空白文本节点开头、后跟非空节点的元素。# 2130 Element.cssSelector()
在为类名中包含(
或[
的元素构建选择器时,会失败并显示“Did not find balanced marker” 。并且带有这些字符转义的选择器不会按预期匹配。#2146- 更新了
Entities.escape(string)
,使转义文本适用于文本节点和属性(以前仅适用于文本节点)。这不会影响Element.html()
输出,它会根据是用于文本数据还是引用属性正确应用最小转义。#1278 - Fuzz:在规范化 regex 中解析精心设计的
<base href>
URL 时可能会发生 Stack Overflow 异常。 #2165
更新公告:https://jsoup.org/news/release-1.18.1