jsoup ist eine Java-Bibliothek zum Arbeiten mit realem HTML. Sie bietet eine sehr praktische API zum Extrahieren und Manipulieren von Daten, die die besten Methoden von DOM, CSS und jquery-ähnlichen Ansätzen nutzt.
jsoup implementiert die WHATWG HTML5-Spezifikation und analysiert HTML auf die gleiche Weise wie moderne Browser.
HTML von einer URL, Datei oder Zeichenfolge scrapen und parsen
Daten finden und extrahieren, mithilfe von DOM-Durchläufen oder CSS-Selektoren
HTML-Elemente, Attribute und Text manipulieren
Benutzereingereichte Inhalte gegen eine sichere Whitelist bereinigen, um XSS-Angriffe zu verhindern
sauberes HTML ausgeben
jsoup ist darauf ausgelegt, mit allen Arten von HTML umzugehen, die in der Wildnis vorkommen; von reinem und validierendem HTML bis hin zu ungültigem Tag-Soup; jsoup erstellt einen sinnvollen Parse-Baum.