crawler_jsoup HTML解析器_使用選擇器語法來查找元素

時間 2019-11-17

標籤 crawler jsoup html 解析使用選擇器語法查找元素欄目 Java 简体版

原文原文鏈接

參照：http://www.open-open.com/jsoup/selector-syntax.htmcss

使用選擇器語法來查找元素

問題

你想使用相似於CSS或jQuery的語法來查找和操做元素。html

方法

可使用Element.select(String selector) 和 Elements.select(String selector) 方法實現：java

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

Elements links = doc.select("a[href]"); //帶有href屬性的a元素
Elements pngs = doc.select("img[src$=.png]");
  //擴展名爲.png的圖片

Element masthead = doc.select("div.masthead").first();
  //class等於masthead的div標籤

Elements resultLinks = doc.select("h3.r > a"); //在h3元素以後的a元素

說明

jsoup elements對象支持相似於CSS (或jquery)的選擇器語法，來實現很是強大和靈活的查找功能。.node

這個select 方法在Document, Element,或Elements對象中均可以使用。且是上下文相關的，所以可實現指定元素的過濾，或者鏈式選擇訪問。jquery

Select方法將返回一個Elements集合，並提供一組方法來抽取和處理結果。css3

Selector選擇器概述

tagname: 經過標籤查找元素，好比：a
ns|tag: 經過標籤在命名空間查找元素，好比：能夠用 fb|name 語法來查找 <fb:name> 元素
#id: 經過ID查找元素，好比：#logo
.class: 經過class名稱查找元素，好比：.masthead
[attribute]: 利用屬性查找元素，好比：[href]
[^attr]: 利用屬性名前綴來查找元素，好比：能夠用[^data-] 來查找帶有HTML5 Dataset屬性的元素
[attr=value]: 利用屬性值來查找元素，好比：[width=500]
[attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素，好比：[href*=/path/]
[attr~=regex]: 利用屬性值匹配正則表達式來查找元素，好比： img[src~=(?i)\.(png|jpe?g)]
*: 這個符號將匹配全部元素

Selector選擇器組合使用

el#id: 元素+ID，好比： div#logo
el.class: 元素+class，好比： div.masthead
el[attr]: 元素+class，好比： a[href]
任意組合，好比：a[href].highlight
ancestor child: 查找某個元素下子元素，好比：能夠用.body p 查找在"body"元素下的全部p元素
parent > child: 查找某個父元素下的直接子元素，好比：能夠用div.content > p 查找 p 元素，也能夠用body > * 查找body標籤下全部直接子元素
siblingA + siblingB: 查找在A元素以前第一個同級元素B，好比：div.head + div
siblingA ~ siblingX: 查找A元素以前的同級X元素，好比：h1 ~ p
el, el, el:多個選擇器組合，查找匹配任一選擇器的惟一元素，例如：div.masthead, div.logo

僞選擇器selectors

:lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對於它的父節點）小於n，好比：td:lt(3) 表示小於三列的元素
:gt(n):查找哪些元素的同級索引值大於n，好比： div p:gt(2)表示哪些div中有包含2個以上的p元素
:eq(n): 查找哪些元素的同級索引值與n相等，好比：form input:eq(1)表示包含一個input標籤的Form元素
:has(seletor): 查找匹配選擇器包含元素的元素，好比：div:has(p)表示哪些div包含了p元素
:not(selector): 查找與選擇器不匹配的元素，好比： div:not(.logo) 表示不包含 class="logo" 元素的全部 div 列表
:contains(text): 查找包含給定文本的元素，搜索不區分大不寫，好比： p:contains(jsoup)
:containsOwn(text): 查找直接包含給定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正則表達式，好比：div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素
注意：上述僞選擇器索引是從0開始的，也就是說第一個元素索引值爲0，第二個元素index爲1等