JSoup ist eine Java-Bibliothek zum Arbeiten mit realem HTML. Sie bietet eine sehr praktische API zum Abrufen von URLs sowie zum Extrahieren und Manipulieren von Daten, wobei die besten Methoden des HTML5 DOM und CSS-Selektoren verwendet werden.
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
- Benutzer eingereichte 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.