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。