jsoup: Java HTML скрепер - Semalt шолуы
jsoup - HTML-ді орындайтын Java репозиторийі. Ол қажетті DOM, CSS және джейкиге ұқсас әдістерді қолдана отырып, мәліметтерді жинайтын, талдайтын және басқаратын тиімді және тиімді API-мен жабдықталған.
Jsoup бағдарламашылары мен веб-дизайнерлері бастапқы файлдардың құрылымын өзгертпестен веб-бастапқы файлдардан құжаттарды жасай алады. Файлдарды шығарып алғаннан кейін, jsoup қолданушылары элементтерді немесе мазмұнды немесе екеуін де қосу немесе өзгерту арқылы құрылымның барлық элементтерін немесе элементтер компоненттерін қайта конфигурациялай немесе қайта құра алады.
Бұл құрал кеңейтілген ептілікпен жасалған, веб-орта мен қосымшалардың кең әртүрлілігінде пайдаланушыларға икемді және стандартты бағдарламалау интерфейсін қамтамасыз етеді. Бұл пайдаланушыға туындыларына компоненттерді өзгерту, жою немесе қосу үшін қажетті қатынасты береді.
jsoup басқа форматтарға оңай аудару үшін деректерді кішірек құрамдас бөліктерге бөліп, ыдырата алады. Енгізілген деректер алгоритмдік прогрессия түрінде алынады, ол коллекция немесе дериват ағашына құрылған нұсқаулықтар кодынан тұрады. Ол HTML компоненттерін түсіну және интеграциялау үшін құрылған, мысалы, кодтау құрылымына байланысты осындай икемділікпен файл құрамдас бөліктерін шығарып алады. Мұны қалай жасайды? Ол деректерді алу үшін қол жетімділік және үлгі үшін бүкіл веб-бетті тексеріп, қырқып тастайды. Егер деректерді шығару мүмкін болса, ол келесі жолмен жүреді:
Тармақ талдауға ең жоғары деңгейден конфигурация құрылымы бойынша ең төменгі деңгейге дейін, деректердің әр компонентін ескере отырып шарлау және талдау . Бұл тәсіл жоғарыдан-төменге қарай талдау әдісі деп аталады.
Құрылымның ең төменгі деңгейінен мәліметтерді жинап алу, әр компонентті талдап, аралық композициялар арқылы талдау немесе туынды ағашының жоғарғы жағына дейін.
jsoup - бұл өзінің керемет дизайнына байланысты бірнеше секунд ішінде көптеген күрделі операцияларды жүргізетін тиімді шешім. Процесс әдетте үш негізгі кезеңнен тұрады:
1. Шығарылған таңбалар мен мәліметтерді кішігірім қарапайым пакеттерге бөлу және осы таңбалар мен мәліметтердің осы биттерін талдау.
2. Мәліметтер элементтерін қалау бойынша орналастыруға қабілетті және оларды жасау үшін қолдануға болатын машина тілінде оқуға және құрастыруға болатын түсінік.
3. Қажетті конфигурациясы, мәні және қолданушы үшін маңызы бар ақпарат бөліктерін құрайтын электрондық өрнектер.
jsoup HTML сценарийлерінің кең құрылымын, тілдік интерфейсті, бағдарламалар мен құжат стилін, соның ішінде WhatWG HTML5 талаптарын үйлестіреді және орындай алады. Олар HTML құрылымдарын Дүниежүзілік ғаламторда мәліметтер мен ақпараттық ресурстарды алу, шарлау және ұсыну үшін қолданылатын веб-бағдарламалық қосымшалар сияқты бірдей Document Object Model-ге бірдей шеше алады.
jsoup мүмкіншілігі бар:
- URL-дан, файлдан немесе жолдан HTML-ді қию және талдау
- DOM көлденең немесе CSS таңдағыштарын қолданып деректерді табыңыз және шығарыңыз
- HTML элементтерін, төлсипаттарды және мәтінді жақсарту
- XSS шабуылдарын болдырмау үшін пайдаланушы ұсынған мазмұнды қауіпсіз ақ тізімнен өшіріңіз
- ұқыпты HTML жеткізіңіз
Бағдарламалық жасақтама конфигурацияға қарамастан HTML-дің барлық түрлерін шешуге арналған: таза және жарамды, жарамсыз тег-сорпаға дейін: jsoup талдаудың қажетті құрылымын жасайды.