jsoup 1.18.1 发布，Java HTML 解析器

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Iteratorinterface 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 ResponseProgress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