jsoup 1.19.1 版本发布：HTML解析库的重大升级

项目概述

jsoup 是一款广受欢迎的 Java HTML 解析器，它能够从 URL、文件或字符串中提取和操作 HTML 文档。作为一个开源项目，jsoup 提供了非常方便的 API，支持 DOM 遍历、CSS 选择器以及类似 jQuery 的操作方法，使得处理 HTML 文档变得简单高效。它广泛应用于网页抓取、数据提取和内容清理等场景。

1.19.1 版本核心更新

HTTP/2 支持

本次版本最引人注目的特性是增加了对 HTTP/2 协议的支持。当运行在 Java 11 及以上环境时，jsoup 现在可以通过 Java 的 HttpClient 实现来发起 HTTP/2 请求。这是一个重要的性能改进，因为 HTTP/2 相比 HTTP/1.1 提供了多路复用、头部压缩等优化特性，能够显著提升网页加载速度。

开发者可以通过设置系统属性 jsoup.useHttpClient 为 true 来启用这一功能。需要注意的是，如果 HttpClient 实现不可用，jsoup 会回退到使用 HttpURLConnection（HTTP/1.1 模式）。

Android 兼容性调整

为了适应现代 Android 开发环境，jsoup 将最低支持的 Android API 级别从 10 提升到了 21。这一变化反映了当前 Android 生态的发展趋势，同时保持了 Java 8 的最低要求。Android 开发者需要继续启用核心库反糖化（desugaring）来确保兼容性。

API 改进与优化

选择器性能提升

jsoup 1.19.1 对 CSS 选择器性能进行了显著优化，特别是针对类似 #id .class 这样的后代选择器查询，性能提升了约 4.6 倍。这是通过改进查询规划器中祖先评估器的成本函数实现的。

新增的 selectStream() 方法返回一个 Stream 对象，支持流式处理和提前终止，为处理大型文档提供了更高效的方式。同时，Element 现在实现了 Iterable 接口，可以直接在增强 for 循环中使用。

清理与验证功能增强

在 HTML 清理方面，当使用 Safelist 保留相对链接时，isValid() 方法现在会将这些链接视为有效。此外，rel=nofollow 属性现在只会在配置了 safelist 的情况下添加到外部链接中，提供了更精细的控制。

XML 处理改进

XML 解析器现在直接处理 XML 声明和处理指令，而不是通过 HTML 解析器的伪注释处理器。这提高了 XML 处理的准确性和性能。同时，当 HTML 元素名称包含 < 字符时，在转换为 XML 或 W3C DOM 时会自动将其替换为 _，确保生成有效的 XML。

废弃与移除

为了保持代码库的整洁和现代化，1.19.1 版本移除了一些已弃用的功能：

• 移除了 org.jsoup.UncheckedIOException 类（应使用 java.io.UncheckedIOException）
• 将 Element#forEach(Consumer) 方法移动并重命名为 void Element#forEach(Consumer())
• 标记了 Document#updateMetaCharsetElement() 相关方法为废弃，因为它们实际上没有效果

错误修复

本次版本修复了多个重要问题：

• 修复了包含分号的属性名在转换为 W3C DOM 时的问题
• 解决了 JDK 1.8 下可能出现的 ByteBuffer.flip() 错误
• 修正了 template 标签内特定元素（如 li 和 button）的解析问题
• 修复了负步长的 :nth-child 选择器解析错误
• 解决了 XML 文档设置字符集时的异常问题
• 修复了并发调用 clone().append() 时的解析器共享问题

总结

jsoup 1.19.1 版本带来了多项重要改进，特别是 HTTP/2 支持和选择器性能优化，使得这个已经非常强大的 HTML 处理库更加完善。对于需要处理网页内容的 Java 开发者来说，升级到这个版本将获得更好的性能和更稳定的体验。

随着现代 Web 技术的发展，jsoup 持续演进，既保持了向后兼容性，又引入了符合当前标准的新特性。无论是网页抓取、内容提取还是 HTML 清理，jsoup 1.19.1 都是一个值得信赖的选择。