JSoup 1.22.1发布：Java HTML解析新特性详解

jsoup 1.22.1 版本现已正式推出。本次更新引入了对 re2j 正则表达式引擎的支持，该功能专用于正则驱动的 CSS 选择器。此外，还加入了可自定义的最大解析深度设置，并包含多项缺陷修复与性能优化。

功能亮点

• 新增对 re2j 正则引擎的支持。此项改进主要针对基于正则的 CSS 选择器语法，例如 [attr~=regex] 和 :matches(regex)，能够显著提升处理用户输入的正则表达式时的安全性。启用方式为将 com.google.re2j 依赖添加至项目路径，例如：

若项目路径中已存在该依赖但希望回退至 Java 原生正则引擎，可通过 System.setProperty(“jsoup.useRe2j”, “false”) 显式禁用。调用 Regex.usingRe2j() 方法可验证 re2j 是否已成功激活。#2407

• 新增实例方法 Parser#unescape(String, boolean)，该方法利用当前解析器的配置执行 HTML 实体解码，例如支持错误定位。这是对已有的静态工具方法 Parser.unescapeEntities(String, boolean) 的实用补充实现。#2396
• HTML 与 XML 解析器均支持配置最大解析嵌套深度，以限制栈中活跃元素的数量。HTML 解析器的深度上限默认设置为 512，此举旨在对齐主流浏览器行为并防范栈溢出风险。XML 解析器默认不限制深度，但可通过 Parser.setMaxDepth() 手动设定上限。#2421
• 构建流程升级：CI 环境新增对 JDK 25 的兼容性测试覆盖。#2403
• 构建流程升级：在原有完整的 HTML/XML 模糊测试基础上，新增针对上下文片段解析的模糊测试模块，此功能由 oss-fuzz 项目提供支持，编号为 #14041。

API 调整

• 启动了 jsoup 1.24.1 版本中废弃 API 的移除路线图，相关接口将在后续版本中逐步淘汰。

问题修复

• 修复了 Node#replaceWith(Node) 方法中未及时清除被替换节点缓存的子元素的问题，避免了后续调用 Element#children() 返回异常结果。#2391
• 属性选择器值现在严格按字面量比对且不再自动修剪首尾空白。此前版本会对选择器值与元素属性值同时清理空格，此行为偏离了 CSS 规范及浏览器实际表现（如 [attr=” foo “] 匹配失败）。目前已完全对齐标准。#2380
• 在使用 JDK 内置的 HttpClient 时，系统级代理设置曾遭忽略。现已修正：当请求未显式指定代理时，会自动采用系统默认代理设置。#2388，#2390
• 在处理严重损坏的 HTML 输入时，“adoption agency” 算法可能抛出 ValidationException。现统一改为记录为解析警告，不断续处理流程。#2393
• 修复了 HTML 正文内的空字（U+0000）符移除逻辑不一致的问题；外部引入内容中的空字符亦未能正确转义。#2395
• 解析恶意构造的正文片段时偶发 IndexOutOfBoundsException。现捕获并将问题降级为解析错误日志，确保程序稳定性。#2397，#2406
• ……

内部调整

• 将内部辅助类 org.jsoup.internal.Functions 标记为已弃用，计划于 v1.23.1 版本中彻底移除。#2412

完整更新日志请参阅：https://www.php.cn/link/adb7dc747bdd4a368293f7fd6721d6df

源码获取地址：点击下载