Jsoup強大的cssQuery的使用方法
1.Jsoup簡介
Jsoup是一款Java的HTML解析器,主要用來對HTML解析。
在爬蟲的時候,當我們用HttpClient之類的框架,獲取到網頁源碼之後,需要從網頁源碼中取出我們想要的內容,就可以使用jsoup這類HTML解析器了,可以非常輕鬆的實現。
當我做爬蟲相關的工作中,需要通過Jsoup解析HTML頁面的一個或多個元素時,我最喜歡用的就是cssQuery,因爲它真的太太太好用了。例如類似下面代碼進行調用:
// page爲String類型的HTML頁面
Document doc = Jsoup.parse(page);
Elements eles = doc.select("div#frozen-west tbody.rows-height-counter tr");
代碼中的這個“div#frozen-west tbody.rows-height-counter tr”的字符串,就是cssQuery string,也稱爲Selector選擇器。
這個select 方法在Document,Element,或Elements對象中都可以使用,而且是上下文相關的,因此可實現指定元素的過濾,或者鏈式選擇訪問。Jsoup的源碼如下:
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。
2.Selector選擇器
2.1 基礎選擇器
Selector類型 | 用途 |
---|---|
tagname | 通過標籤查找元素,比如:a |
ns|tag | 通過標籤在命名空間查找元素,比如:可以用 fb |
#id | 通過ID查找元素,比如:#logo |
.class | 通過class名稱查找元素,比如:.masthead |
[attribute] | 利用屬性查找元素,比如:[href] |
[^attr] | 利用屬性名前綴來查找元素,比如:可以用[^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,比如:[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,比如:[href*=/path/] |
[attr~=regex] | 利用屬性值匹配正則表達式來查找元素,比如: img[src~=(?i).(png |
* | 這個符號將匹配所有元素 |
2.2 選擇器組合使用
Selector組合方式 | 用途 |
---|---|
el#id | 元素+ID,比如: div#logo |
el.class | 元素+class,比如: div.masthead |
el[attr] | 元素+class,比如: a[href] |
任意組合 | 比如:a[href].highlight |
ancestor child | 查找某個元素下子元素,比如:可以用.body p 查找在"body"元素下的所有 p元素 |
parent > child | 查找某個父元素下的直接子元素,比如:可以用div.content > p 查找 p 元素,也可以用body > * 查找body標籤下所有直接子元素 |
siblingA + siblingB | 查找在A元素之前第一個同級元素B,比如:div.head + div |
siblingA ~ siblingX | 查找A元素之前的同級X元素,比如:h1 ~ p |
el, el, el | 多個選擇器組合,查找匹配任一選擇器的唯一元素,例如:div.masthead, div.logo |
2.3 僞選擇器
僞Selector類型 | 用途 |
---|---|
: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,比如: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,比如: 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,比如: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,比如:div:has§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,比如: div:not(.logo) 表示不包含 class=“logo” 元素的所有 div 列表 |
:contains(text) | 查找包含給定文本的元素,搜索不區分大不寫,比如: 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,比如: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的index爲0,第二個元素的index爲1。
可以查看Selector API參考來了解更詳細的內容。