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：
立即学习“前端免费学习笔记（深入）”；
- 打印
doc.outerHtml().length()—— 如果只有几十字节，大概率是空页、跳转页或反爬返回的提示页 - 检查
doc.title()是否为空或等于 "Just a moment..."、"Access Denied" 等典型拦截文案 - 用
doc.select("body").isEmpty()判断 body 是否存在；若为true，说明解析失败或内容被 JS 动态注入（Jsoup 不执行 JS）
这些检查花不了两行代码，却能省掉后面所有 selector 写对了却取不到数据的排查时间。
