jsoup如何读取html

Jsoup.parse() 默认按HTML5模式解析，自动补全结构，片段内容需通过doc.body().children()遍历；传入字符串需注意编码匹配，空值会抛异常；远程加载需设置User-Agent、超时等参数；读取文件要注意路径基准和真实编码；解析后应验证outerHtml长度、title及body存在性。Jsoup.parse() 怎么解析 HTML 字符串直接用 Jsoup.parse() 就能从字符串生成 Document，但必须注意：它默认按「HTML5 模式」解析，会自动补全缺失的 <html>、<body> 等结构。如果你传入的是纯片段（比如一段 <p>Hello</p><div>World</div>），它也能工作，但节点层级可能和预期不同。传入不完整 HTML 片段时，doc.body().children() 才是你真正想遍历的内容，别直接 doc.children() ------ 那里可能包着 <head> 和自动生成的 <body>如果字符串含中文或特殊符号，且没指定编码，parse(String) 会按 UTF-8 解码；若源内容实际是 GBK，就会乱码，此时应改用 Jsoup.parse(html, "UTF-8") 或先转码空字符串或 null 传给 parse() 会抛 IllegalArgumentException，务必提前判空Jsoup.connect() 加载远程 URL 为什么常失败不是代码写错，而是默认行为太"干净"：它不带 User-Agent、不接受重定向、超时仅 3 秒、遇到 4xx/5xx 直接抛 HttpStatusException。绝大多数网站会拦截无头请求。必加请求头：.header("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36")允许重定向（如跳登录页）：.followRedirects(true)设合理超时：.timeout(10000)（单位毫秒）忽略 HTTP 错误状态码（比如返回 403 但页面仍有数据）：.ignoreHttpErrors(true)需要登录态？用 .cookie("SESSIONID", "xxx") 或 .cookies(Map) 注入读取本地 HTML 文件要注意什么编码和路径Jsoup.parse(File, String charsetName) 是安全的选择，但两个坑很隐蔽：文件路径用相对路径时，基准是 JVM 启动目录，不是项目根目录，也不是 src/main/resources；推荐用 getClass().getResource("/page.html").getFile() 获取绝对路径charsetName 必须和文件真实编码严格一致；记事本保存的 ANSI 文件在 Windows 上其实是 GBK，写 "UTF-8" 就会乱码------建议先用编辑器确认编码，或统一用 UTF-8 保存 HTML如果文件含 BOM（尤其 UTF-8 with BOM），parse() 可能解析出奇怪的零宽字符，可用 Files.readString(path, StandardCharsets.UTF_8).strip() 预处理Document 对象拿到后，怎么确认 HTML 真被读进来了别急着 select()，先做三件事验证解析结果是否符合预期： OMPOSE AI 一款免费的 Chrome 插件，可加快您的写作速度，让您可以在任何地方使用自动完成功能，并减少打字时间。